输入:一个或多个txt文档,每个文档包含N条记录,其中,每一行均代表一条记录,已经用FudanNLP工具分好词并过滤了停用词,词项间以空格隔开
输出:一个或多个txt文档,每条记录对应一个向量
思路:已有前辈实现文档的TFIDF算法,我需要改之以适应自己的需要
实现步骤:
- 每个词项对应一个编号,可用()来实现
- 统计每个词项出现在多少条记录中,进而可求得词项的IDF值
- 给定一条记录,统计每个词项的TF值
以上是实现TFIDF算法的粗略想法,可能需要进一步改进。
可参考mahout中的实现算法
@author Peter
@date 2014-07-18