
有關(guān)文本挖掘的14個概念
我們所處的信息時代以急速增長的數(shù)據(jù)信息收集、儲存和轉(zhuǎn)換成電子格式為特征。大量的商業(yè)數(shù)據(jù)以雜亂無章的文本形式儲存。
據(jù)美林公司(Merrill Lynch)和高德納公司(Gartner)聯(lián)合進行的一項調(diào)查表明,85%的企業(yè)數(shù)據(jù)或多或少是以無序的方式收集儲存的。同時,調(diào)查聲稱這些雜亂無章的數(shù)據(jù)每18個月增長一倍。
當今商界奉行“知識就是力量”,知識來源于數(shù)據(jù)和信息,若企業(yè)能夠高效且有效地挖掘文本數(shù)據(jù)背后的資源,就能夠做出更好的決策。文本挖掘(在文本數(shù)據(jù)庫也稱文本數(shù)據(jù)挖掘或者知識發(fā)現(xiàn))是從大量無結(jié)構(gòu)的數(shù)據(jù)中提煉出模式(也就是有用的信息和知識)的半自動化處理過程。請注意,數(shù)據(jù)挖掘是從有結(jié)構(gòu)的數(shù)據(jù)庫中鑒別出有效的、新穎的、可能有用的并最終可理解的模式。在這個有結(jié)構(gòu)的數(shù)據(jù)庫中,分類的、順序的或者連續(xù)型變量構(gòu)建起記錄,數(shù)據(jù)在這些記錄下進行組織。文本挖掘與數(shù)據(jù)挖掘的共同之處在于,它們都為了同樣的目標,使用同一處理方式,不同之處在于文本挖掘流程中“輸入”一項是一堆雜亂無章的(或者說是未經(jīng)整理的)數(shù)據(jù)文件,比如Word、PDF、本文文檔摘錄、XML文件等。在大量數(shù)據(jù)產(chǎn)生的領(lǐng)域,文本挖掘的益處尤為突出。信息提取。通過模式匹配尋找出文本中先定的物件和序列,文本挖掘能夠鑒別文本中主要的短語和關(guān)系。最常見的信息提取形式大概就是“實體抽取”。命名實體抽取包括命名實體識別(利用現(xiàn)有對域的知識,進行已知實體名稱的識別,包括:人、企業(yè)、地點的名字、時間表達式以及某些數(shù)值表達式)、指代消解(檢測文本實體間的同指代和回指代聯(lián)系)、關(guān)系抽?。ㄨb別實體間的關(guān)系)。
話題跟蹤。根據(jù)用戶瀏覽的文件記錄,文本挖掘可以預測用戶可能喜歡的其他文本。
總結(jié)。文本挖掘可以為讀者總結(jié)文本概要,節(jié)省閱讀時間。
分類。文本挖掘能夠發(fā)現(xiàn)穩(wěn)當?shù)闹黝},并歸置在預先制定的類別之下。
聚類。文本挖掘可以在沒有預先制定的類別時歸類相似的文檔。
概念銜接。文本挖掘可以鑒別文檔的共享概念,從而把相關(guān)的文檔連接在一起。用戶由此可以找到傳統(tǒng)搜索方法無法發(fā)現(xiàn)的信息。
答疑。通過知識驅(qū)動的模式匹配,文本挖掘可以找出問題的最佳答案。
文本挖掘有自己的語言體系,包括多種多樣的術(shù)語和縮略詞。非結(jié)構(gòu)化數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)有其預設的格式,常和簡單的數(shù)據(jù)數(shù)值(分類的、順序的或者連續(xù)型變量)一同被組織進入記錄并儲存在數(shù)據(jù)庫。語料庫。在語言學中,語料庫是一個大型的結(jié)構(gòu)化文本的集合(現(xiàn)在一般是以電子形式儲存和處理),用作知識發(fā)現(xiàn)的工具。術(shù)語。術(shù)語是由在一個特定域的語料庫中,通過自然語言處理提取的單詞或者多詞短語。概念。概念是通過人工、統(tǒng)計、規(guī)則導向或者多種混合的分類方法,從一系列文檔中生成的特征。與術(shù)語相比,生成概念需要更高層次的抽象。詞干提取。詞干提取是將屈折詞簡化到詞干(或者詞根)的處理方式。比如,stemmer,stemming和stemmed都來自stem。停用詞。停用詞(也稱為“干擾詞”),是在自然語言處理之前或者之后被過濾掉的單詞。停用詞沒有統(tǒng)一的清單,大多數(shù)自然語言處理工具將冠詞(如a,am,the,of等),助動詞(如is,are,was,were等)以及只在上下文中有意義,不具有區(qū)分價值的詞視作停用詞。
同義詞和多義詞。同義詞是在句法上不同(也就是拼寫不一樣),但是意思一致或者相似的詞語。相反地,多義詞或者“同形異義詞”,是句法上一致,但意義不同(例如bow,有鞠躬、船頭、蝴蝶結(jié)等多個意思)。
標記化。標記是句子中已分類的文本塊。根據(jù)功能的不同,與標記對應的文本塊被分門別類,這一與意義相關(guān)的過程被稱為“標記化”。只要對結(jié)構(gòu)化文本有意義,標記可以是任何形式的。
術(shù)語詞典。術(shù)語詞典是一個小而專的領(lǐng)域里的術(shù)語集合,可以控制從語料庫中提取的字詞。
詞頻。詞頻就是一個單詞在某文本中出現(xiàn)的次數(shù)。
詞性標注。詞性標注就是根據(jù)單詞的意思和它在上下文的用法標記詞性(是名詞、動詞、形容詞還是副詞)。
形態(tài)學。形態(tài)學是語言學的一個分支,是自然語言處理的一部分,它研究的是詞語的內(nèi)部結(jié)構(gòu)。
術(shù)語-文本矩陣。常用來呈現(xiàn)術(shù)語和文本間基于頻率的關(guān)系,以表格的形式表現(xiàn),行表示術(shù)語,列表示文本,術(shù)語和文本間的頻率以整數(shù)形式填在每個格里。
奇異值分解(也稱為潛在語義索引)。是一種將術(shù)語——文本矩陣轉(zhuǎn)化到可操作大小的降維手段。它利用一種與主成分分析法類似的矩陣控制法來生成中等大小的術(shù)語——文本頻率表現(xiàn)形式。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(RNN)家族中,長短期記憶網(wǎng)絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數(shù)據(jù)查詢到趨勢預判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網(wǎng)絡(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調(diào)研數(shù)據(jù)中的深度應用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03