杨秀璋的专栏

在文本聚类、文本分类或者比较两个文档相似程度过程中，可能会涉及到TF-IDF值的计算。这里主要讲述基于Python的机器学习模块和开源工具：scikit-learn。文章包括：一.Scikit-learn概念 1.概念知识 2.安装软件； 二.TF-IDF基础知识 1.TF-IDF 2.举例介绍； 三.TF-IDF调用两个方法 1.CountVectorizer 2.TfidfTransformer 3.示例希望文章对你有所帮助~

word2vec使用说明及源码介绍1.下载地址 2.中文语料 3.参数介绍 4.计算相似词语 5.三个词预测语义语法关系 6.关键词聚类-train Result_Country.txt 表示的是输入文件是Result_Country.txt-output vectors.bin 输出文件是vectors.bin基础性文章，希望对你有所帮助~

本文是讲述如何使用word2vec的基础教程，文章比较基础，希望对你有所帮助！官网C语言下载地址：http://word2vec.googlecode.com/svn/trunk/Word2vec是Google公司在2013年开放的一款用于训练词向量的软件工具。它根据给定的语料库，通过优化后的训练模型快速有效的将一个词语表达成向量形式，其核心架构包括CBOW和Skip-gram。

这篇文章主要是讲述如何通过LDA处理文本内容TXT，并计算其文档主题分布，主要是核心代码为主和运行效果图形。希望文章对你有所帮助吧尤其是初学者~哎！最后感叹下时光吧，仅以此诗纪念这三年写博客的坚持和北理工的最后四个月：但行好事，莫问前程。待随满天李桃，再追学友趣事。

以前只知道LDA是个好东西，但自己并没有真正去使用过。同时，关于它的文章也非常之多，推荐大家阅读书籍《LDA漫游指南》，最近自己在学习文档主题分布和实体对齐中也尝试使用LDA进行简单的实验。这篇文章主要是讲述Python下LDA的基础用法，作为一篇入门文章，它主要源自官方文档，希望对大家有所帮助。如果文章中有错误或不足之处，还请海涵~

本文主要讲述以下几点： 1.通过scikit-learn计算文本内容的tfidf并构造N*M矩阵(N个文档 M个特征词)； 2.调用scikit-learn中的K-means进行文本聚类； 3.使用PAC进行降维处理，每行文本表示成两维数据； 4.最后调用Matplotlib显示聚类效果图。

基本步骤包括： 1.使用python+selenium分析dom结构爬取百度|互动百科文本摘要信息； 2.使用jieba结巴分词对文本进行中文分词，同时插入字典关于关键词； 3.scikit-learn对文本内容进行tfidf计算并构造N*M矩阵(N个文档 M个特征词)； 4.再使用K-means进行文本聚类(省略特征词过来降维过程); 5.最后对聚类的结果进行简单的文本处理，按类簇归类，也可以计算P/R/F特征值；

这篇文章主要是爬取百度5A景区摘要信息，再利用Jieba分词工具进行中文分词，最后提出文本聚类算法的一些概念知识。一. Selenium爬取百度百科摘要 二. Jieba中文分词 1.安装及入门介绍 2.添加自定义词典 3.关键词提取 4.对百度百科获取摘要分词 5.去除停用词 三. 基于VSM的文本聚类算法 不论如何，希望文章对你有所帮助，如果文章中有错误或不足之处，还请海涵！写文不易，且看且分析~

在知识图谱构建阶段的实体对齐和属性值决策过程中、判断一篇文章是否是你喜欢的文章、比较两篇文章的相似性等，都涉及到了向量空间模型（Vector Space Model，简称VSM）和余弦相似度计算相关知识。这篇文章主要是先叙述VSM和余弦相似度相关理论知识，然后引用阮一峰大神的例子进行解释，最后通过Python简单实现百度百科和互动百科Infobox的余弦相似度计算。基本步骤：1.分别统计两个文档的关键词 2.两篇文章的关键词合并成一个集合...希望文章对你有所帮助~

这篇文章主要讲解基于向量空间模型(Vector Space Model)的相关应用，包括命名实体识别、实体消歧和跨文本指代消解；其最终目的是想通过它应用到知识图谱构建过程中，即实体对齐和属性对齐。目录：一 搜狗知立方介绍搜狗知立方框架图、实体对齐和属性值决策、爬取InfoBox介绍二 VSM相似度计算基本概念、 向量空间模型VSM、TF-IDF、向量夹角cos相似度、实体相似度计算希望文章对你有所帮助，从晚上2点写到早上6点，不容易啊！且看且珍惜吧！

这是一篇基础性文章，主要介绍搜索引擎和知识图谱的一些原理、发展经历和应用等知识。希望文章对你有所帮助~如果有错误或不足之处，还请海涵。(参考资料见后)目录：一.搜索引擎 (一).搜索引擎的四个时代 (二).搜索引擎的架构原理 (三).搜索引擎的简单技术分析 二.知识图谱 (一).知识图谱的应用 (二).知识图谱的框架 (三).搜狗知立方

目录:一.面向知识图谱的信息抽取技术 二.常识知识在结构化知识库构建中的应用 三.浅谈逻辑规则在知识图谱表示学习中的应用 四.大规模知识图谱表示学习 五.知识图谱中推理技术及工具介绍 六.多语言知识图谱中的知识链接 七.知识图谱关键技术和在企业中的应用 由于我毕设是与知识图谱、实体消歧、实体对齐、知识集成相关的，所以去听了知识图谱相关的报告；报告中采用手写笔记，所以没有相应的PPT和原图(遗憾)，很多图是我自己画的找的，可能存在遗漏或表述不清的地方，请海涵~很多算法还在学习研究中，最后希望文

从本系列文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前六篇文章讲解了神经网络基础概念、Theano库的安装过程及基础用法、theano实现回归神经网络、theano实现分类神经网络、theano正规化处理，这篇文章讲解加速神经网络训练的方法，为什么有激励函数以及过拟合，均是基础性知识。主要是学习"莫烦大神" 网易云视频的在线笔记，后面随着深入会讲解具体的项目及应用。...

从本系列文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前五篇文章讲解了神经网络基础概念、Theano库的安装过程及基础用法、theano实现回归神经网络、theano实现分类神经网络、theano正规化处理，这篇文章讲解神经网络的评价指标、特征标准化和特征选择，均是基础性知识。主要是学习"莫烦大神" 网易云视频的在线笔记，后面随着深入会讲解具体的项目及应用。基础性文章和在线笔记，希望对您有所帮助，本系列作者采用一篇基础一篇代码的形式讲解，也建议大家一步步跟着

从本系列文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前三篇文章讲解了神经网络基础概念、Theano库的安装过程及基础用法、theano实现回归神经网络、theano实现分类神经网络，这篇文章又回到基础知识，结合莫烦大神的视频学习，讲解机器学习基础知识、神经网络基础、CNN、RNN、LSTM RNN、GAN等知识，主要是学习"莫烦大神" 网易云视频的在线笔记，后面随着...

从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前两篇文章讲解了神经网络基础概念、Theano库的安装过程及基础用法、theano实现回归神经网络，这篇文章主要讲解机器学习的基础知识，再通过theano实现分类神经网络，主要是学习"莫烦大神" 网易云视频的在线笔记，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，也建议大家一步步跟着学习，同时文章...

从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。前一篇文章主要讲解神经网络基础概念，同时讲解Theano库的安装过程及基础用法，这篇文章主要讲解theano实现回归神经网络，主要是学习"莫烦大神" 网易云视频的在线笔记，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，也建议大家一步步跟着学习，同时文章中存在错误或不足之处，还请海涵~"莫烦大神" ...

从本篇文章开始，作者正式开始研究Python深度学习、神经网络及人工智能相关知识。第一篇文章主要讲解神经网络基础概念，同时讲解Theano库的安装过程及基础用法，主要结合 "莫烦大神" 的视频介绍，后面随着深入会讲解具体的项目及应用。基础性文章，希望对您有所帮助，也建议大家一步步跟着学习，同时文章中存在错误或不足之处，还请海涵~同时推荐前面作者另外三个Python系列文章。从2014年开始，作者主...

本篇文章主要介绍讲述部署阿里云服务器Django网站环境，并通过IP地址访问网页的过程。写代码过程中往往第一步需要解决的就是配置开发环境，对于新手来说，这是非常头疼的事情，而当配置好之后或者对于老手来说，我们才能去实现理想的功能。基础性文章，希望对您有所帮助，同时文章中存在错误或不足之处，还请海涵~同时推荐前面作者另外三个Python系列文章。从2014年开始，作者主要写了三个Python系列文章...

本文主要是作者学习舆情分析、情感分析、人类行为动力学分析的在线笔记，主要包括两方面内容，一是幂律特性，二是讲解时间间隔分布，三是Python绘制基于时间间隔分布的幂律特性图，四提供了另一种方法。基础性文章，希望对您有所帮助。

本文主要是作者学习舆情分析、情感分析、人类行为动力学分析的在线笔记，主要包括两方面内容，一是结合参考文献介绍人类行为动力学分析，二是讲解Python绘制幂律特性及时间间隔分布图的方法。基础性文章，希望对您有所帮助。