- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我听说过聚类以对相似数据进行分组。我想知道它在 String 的特定情况下是如何工作的。
我有一张包含超过 100,000 个单词的表格。
我想识别有一些差异的同一个词(例如:house, house!!, hooouse, HoUse, @house, "house", etc...
)。
需要什么来识别相似性并将每个单词分组到一个集群中?为此更推荐什么算法?
最佳答案
要了解什么是聚类,请想象一张 map 。您可以看到许多不同的对象(例如房屋)。它们中的一些彼此靠近,而另一些则很远。基于此,您可以将所有对象分成组(例如城市)。聚类算法正是这样做的——它们允许您将数据分成组,而无需事先指定组边界。
所有聚类算法均基于距离 (或可能性)在 2 个对象之间。在地理 map 上是正常的两栋房子之间的距离,在多维空间中可能是欧几里得距离(其实 map 上两栋房子之间的距离也是欧几里得距离)。对于字符串比较,您必须使用不同的东西。这里有 2 个不错的选择是 Hamming和 Levenshtein distance .在您的特定情况下 Levenshtein 距离 如果更可取(汉明距离仅适用于相同大小的字符串)。
现在您可以使用现有的聚类算法之一。它们有很多,但并非所有都能满足您的需求。例如,这里已经提到的纯 k-means 对您几乎没有帮助,因为它需要找到初始数量的组,并且对于大型字符串字典,它可能是 100、200、500、10000 - 您只是不知道数字.所以其他算法可能更合适。
其中之一是expectation maximization算法。它的优点是它可以自动找到簇的数量。然而,在实践中,它给出的结果通常不如其他算法精确,因此使用 是正常的。 EM 上的 k-means ,即先用 EM 求出簇的个数及其中心,然后用 k-means 调整结果。
另一个可能适合您任务的算法分支是 hierarchical clustering .在这种情况下,聚类分析的结果不是一组独立的组,而是树(层次结构),其中几个较小的聚类被分组为一个较大的聚类,所有聚类最终都成为一个大聚类的一部分。在您的情况下,这意味着所有单词在某种程度上都彼此相似。
关于string - 聚类(尤其是字符串聚类)如何工作?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/8196371/
如果您想使用 String.Concat() 连接 5 个或更多字符串,则它会使用 Concat(String[])。 为什么不一直使用 Concat(String[]) 而不再需要 Concat(S
今天在使用 String 时,我遇到了一种我以前不知道的行为。我无法理解内部发生的事情。 public String returnVal(){ return "5";
似乎在我所看到的任何地方,都有一些过时的版本,这些版本不再起作用。 我的问题似乎很简单。我有一个Java类,它映射到derby数据库。我正在使用注释,并且已经成功地在数据库中创建了所有其他表,但是在这
一、string::size_type() 在C++标准库类型 string ,在调用size函数求解string 对象时,返回值为size_type类型,一种类似于unsigned类型的int 数据
我正在尝试将数据保存到我的 plist 文件中,其中包含字符串数组的定义。我的plist - enter image description here 我将数据写入 plist 的代码是 -- let
我有一个带有键/值对的 JavaScript 对象,其中值是字符串数组: var errors = { "Message": ["Error #1", "Error #2"], "Em
例如,为了使用相同的函数迭代 List 和 List> ,我可以编写如下内容: import java.util.*; public class Test{ public static voi
第一个Dictionary就像 Dictionary ParentDict = new Dictionary(); ParentDict.Add("A_1", "1")
这是我的 jsp 文件: 我遇到了错误 The method replace(String, String, String) in the type Functions is not appl
我需要一些帮助。我有一个方法应该输出一个包含列表内容的 txt 文件(每行中的每个项目)。列表项是字符串数组。问题是,当我调用 string.Join 时,它返回文字字符串 "System.Strin
一位同事告诉我,使用以下方法: string url = "SomeURL"; string ext = "SomeExt"; string sub = "SomeSub"; string s
给定类: public class CategoryValuePair { String category; String value; } 还有一个方法: public
我正在尝试合并 Stream>>对象与所有 Streams 中的键一起映射到单个映射中. 例如, final Map someObject; final List>> list = someObjec
在这里使用 IDictionary 的值(value)是什么? 最佳答案 使用接口(interface)的值(value)始终相同:切换到另一个后端实现时,您不必更改客户端代码。 请考虑稍后分析您的代
我可以知道这两个字典声明之间的区别吗? var places = [String: String]() var places = [Dictionary()] 为什么当我尝试以这种方式附加声明时,只有
在 .NET 4.0 及更高版本中存在 string.IsNullOrWhiteSpace(string) 时,在检查字符串时使用 string.IsNullOrEmpty(string) 是否被视为
这个名字背后的原因是什么? SS64在 PowerShell 中解释此处的字符串如下: A here string is a single-quoted or double-quoted string
我打算离开 this 文章,尝试编写一个接受字符串和 &str 的函数,但我遇到了问题。我有以下功能: pub fn new(t_num: S) -> BigNum where S: Into {
我有一个结构为 [String: [String: String]] 的多维数组。我可以使用 for 循环到达 [String: String] 位,但我不知道如何访问主键(这个位 [String:
我正在尝试使用 sarama(管理员模式)创建主题。没有 ConfigEntries 工作正常。但我需要定义一些配置。 我设置了主题配置(这里发生了错误): tConfigs := map[s
我是一名优秀的程序员,十分优秀!