99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話：13121318867

登錄
首頁精彩閱讀一種根據(jù)關(guān)鍵字進行分類的文本分類算法
一種根據(jù)關(guān)鍵字進行分類的文本分類算法
2017-12-10
收藏

一種根據(jù)關(guān)鍵字進行分類的文本分類算法

這樣我們可以得出這個算法的重點：

1.提取關(guān)鍵字

如何自動提取關(guān)鍵字呢？我們知道IDF值在一定程度上可以表達(dá)一個詞的重要程度，像“我的”，“你的”這樣的關(guān)鍵字肯定無法判斷出文章的類別，他們的IDF值也是較低的。而“AK47”，“火箭炮”這樣的關(guān)鍵字可以判斷出文章類別，他們的IDF也比一般的詞要高。所以，我們只需要選擇IDF高于一定值的詞，就可以提取出絕大多數(shù)關(guān)鍵字了。

2.關(guān)鍵字分類

識別關(guān)鍵字的類別也是一個大問題，如果手工識別是不現(xiàn)實的，網(wǎng)上也沒有什么算法是進行關(guān)鍵字分類的。想來想去，最后還是用IDF值把這個問題給解決了。其實思路很簡單，可以說是上面一個問題的一種延續(xù)。假設(shè)現(xiàn)在我們有軍事，經(jīng)濟，人文的文本各100篇。將經(jīng)濟，人文的文章復(fù)制4次，這樣，我們就有軍事文本100篇，經(jīng)濟，人文的文本各500篇（注意，經(jīng)濟人文的文章都是有重復(fù)的，每篇文章存在4個完全相同的副本）。

然后我們計算這些文章的IDF值，想想會出現(xiàn)什么結(jié)果？我們知道IDF的計算公式是log(總文章數(shù)/出現(xiàn)次數(shù))。假設(shè)關(guān)鍵字“AK47”在沒進行處理之前，在10篇文章中出現(xiàn)，那么它的值為log(300/10)=log30=1.47.

處理之后，“AK47”出現(xiàn)的次數(shù)不變，但是總文章數(shù)已經(jīng)變?yōu)?100篇，那么AK47的IDF值為：log(1100/10)=log110=2.04。我們可以看到，經(jīng)過這樣的處理，軍事的關(guān)鍵字都得到了加權(quán)，但是經(jīng)濟，文化的關(guān)鍵字的IDF值變化很小。這樣，我們就能夠把軍事的關(guān)鍵字同其他的關(guān)鍵字區(qū)分開來。

我做的實驗中，分出的關(guān)鍵字至少80%是軍事類別的，實際的例子就不貼出來了。有的朋友就會問了，那你是怎么進行文本分類的？難道也是手工分？

嘿嘿，這個當(dāng)然不是了。上面的類別也只有幾種，如果要做其他類別的樣本，只要用爬蟲抓取某個專業(yè)網(wǎng)站或者某一類新聞，然后進行分析出正文就OK了。我們的目標(biāo)是盡量偷懶，呵呵。

解決了這兩個難題，再回到算法本身來。首先，提取關(guān)鍵字，使得要比較的詞語大大減少（我只提取15%~20%的關(guān)鍵字）。一篇1000字的文章詞語也就那么300~400個，也就是說和一個類別比較50個關(guān)鍵字左右就可以判斷出來了，也就是50次的hashmapping操作。然后，有幾個類別就做幾次判斷，所以算法復(fù)雜度是O（m*n）。一般分成十幾個類別已經(jīng)很細(xì)了，整個算法復(fù)雜度不會很高。但是這個實驗我沒能做就申請離職了，傷心啊，我的心血都沒了，如果以后有時間再實驗下吧。


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

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1：配置參數(shù) // 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗證碼對象，之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須，不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式，包括：float，popup width: "280px", https: true // 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'！'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'！'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }