march_on-CSDN博客

原创 lucene 进行去除停用词和词干提取

简单的示例代码如下，从文件中读取内容进行去除停用词和词干提取，结果保存在result中。Version matchVersion = Version.LUCENE_43;BufferedReader stopwordsReader = new BufferedReader( new FileReader("a.txt"));Analyzer analyzer = new Standar

2013-05-16 16:11:10 9260

转载词干提取（stemming）和词形还原（lemmatization）

今天想完成词干提取的功能，发现提出来的结果并不是有意义的单词，原来还有词形还原这个技术。以下内容均摘自论文《词形还原方法及实现工具比较分析》词形还原（lemmatization），是把一个任何形式的语言词汇还原为一般形式（能表达完整语义），而词干提取（stemming）是抽取词的词干或词根形式（不一定能够表达完整语义）。词形还原和词干提取是词形规范化的两类重要方式，都能够达

2013-05-16 15:35:47 46556

原创 java 根据值获得键（map get key by value）

要处理一个文档集合，需要统计出corpus包含的所有单词，即统计出一个词汇表，词汇表中需要保存单词和相应的索引。当然，统计之前需要对文档进行stopword removal和text stemming。得到词汇表后，很自然地，我们有两种需求，一是根据单词得到它的索引，另外一个就是根据索引得到相应的单词。但是jdk中的map类只支持根据key来获取value，如果要根据value获取key就需要使用

2013-05-15 17:32:12 18986

原创 plsa 公式推导

plsa中完全数据（complete data）的似然函数：其中，表示文档i中的第j个单词的主题是否为k，如果为k则为1，否则为0相应地，对数似然函数如下然后Q function就是又有两个约束条件：下面利用拉格朗日乘法求参数拉格朗日函数：然后分别对参数求导：求解过程：以（1）为例，将（1）变换成如下形

2013-05-13 16:41:09 2571

原创 plsa matlab实现

google上可以搜到很多实现，貌似用的比较多的是下面这几个1.http://www.robots.ox.ac.uk/~vgg/software/2.http://lear.inrialpes.fr/~verbeek/software.php3.http://people.kyb.tuebingen.mpg.de/pgehler/code/index.html4.http://sh

2013-05-12 16:49:57 4098

原创 late fusion vs early fusion

在信息检索中，late fusion是指把多个检索系统的结果fusion在一起，early fusion是指把不同modality的特征fusion成一个统一的表示然后用于检索。二者的区别在于fusion的时机和fusion的对象不同。具体参见：http://staff.science.uva.nl/~cgmsnoek/pub/snoek-earlylate-acm2005.pdf

2013-05-09 09:07:51 5667

翻译 cross-modal retrieval and multi-modal retrieval的区别

与unimodal 检索不同，在cross-modal 检索中，检索结果的模态和查询的模态是不同的。比如，用户使用图像检索文本，视频和音频。cross-modal检索的关键在于对不同模态的关系进行建模，难点就是bridging the semantic gap。然而，当要检索的文档包含多模态的时候，一般的cross-modal方法就无法直接应用到multi-modal retrieval。m

2013-05-06 14:47:22 3235

原创 java 需要注意的几个地方

1.比较对象是否相等==和!=比较的是对象的引用，而不是对象的内容。在比较对象内容时可以用equals函数2.文件IO操作文件IO操作后必须要close

2013-04-23 21:07:20 774

原创 matlab startup.m文件

在matlab 默认启动路径下（就是你的matlab.exe所在的目录）下新建一个startup.m文件，加入一些命令，比如切换路径的命令，那么在重启的时候默认就切换到那个目录了

2013-03-26 20:47:43 8920 1

原创 win7卸载ubuntu

1. 下载MBRFix工具，放在c盘，利用命令提示符，进入软件所在目录，cd c:\mbrfix （cd后面一个空格）2.输入 MBRFix /drive 0 fixmbr /yes3.重启，发现直接进入Win 7，现在可以用Win 7的磁盘管理（打不开的话，可以用Win 7优化大师里带的）格式化Ubuntu所在分区（就是没有盘符的，选定删除卷时会提示是其他系统的数据）了~~~

2013-03-15 09:09:56 916

原创 ubuntu12.04 飞鸽传书安装

对于局域网内的文件传输需求很少，偶尔想用的时候又忘了该用什么软件了。其实之前装过飞鸽传输，只不过很少用就卸掉了。为了防止以后再用，在这里记录一下。其实，很简单，先从官网下载linux下的安装包，然后解压缩tar xzvf QIpmsg_32_121019.tar.gz 然后，在当前目录下输入./QIpmsg就启动飞鸽传输了，还是很好用

2013-03-13 18:58:36 4796

原创 ubuntu12.04 远程软件remmia

ubuntu12.04 下貌似自带了远程桌面软件remmina，用起来挺好用的。首先在dash中搜索remmina，找到后打开。然后在remmina主界面上点击带有+号的那个图标。此时会弹出远程桌面设定对话框，在这个对话框里面可以指定远程连接使用的协议和服务器地址、用户名和密码。指定后也可以点击下面的保存按钮，这样以后在打开remmina时就不用重新输入了。具体的图文教程可以参考这里

2013-03-08 16:07:38 3104

原创 vim 批量注释及删除注释

1.ctrl+v进入可视化选择模式按住j或k键选择需要注释的部分2.按I进入插入模式，输入该语言的注释符号，比如c/c++需要输入“//”3.按ESC键进入命令模式此时，选中部分已经全部注释掉了删除注释1.ctrl+v进入可视化选择模式按住j或k或l等键选择需要删除的注释2.按d此时，选中的注释已经被删除了

2013-01-17 22:33:24 7075

原创 office 2010 中使用 mathtype6.8

在这里下载mathtype6.8下载后解压，选择MathType6.8简体中文版（加载&对象型），直接安装。安装过程中如果打开了office，程序会提示你关掉程序。安装后再次打开office，就可以看到mathtype已经加载了

2013-01-16 20:31:49 4570

原创 python print 自动换行

突然想用python写个乘法表练练手，发现python中print原来是自动换行的，不用再添加一个'\n'，所以输出来的乘法表每个项占一行，解决的办法就是在print语句后面加一个逗号print "%d * %d = %d \t" %(j,i,i*j),ok,这样输出来就是我们看到的乘法表了

2013-01-11 23:27:02 27562

原创回溯图着色问题

图着色问题（Graph Coloring Problem, GCP），又称着色问题，是最著名的NP-完全问题之一。给定一个无向图G＝（V, E），其中V为顶点集合，E为边集合，图着色问题即为将V分为K个颜色组，每个组形成一个独立集，即其中没有相邻的顶点。其优化版本是希望获得最小的K值。先考虑三着色问题。思路：1.对图中的每个顶点，选择三种颜色之一对其进行着色。2.如果该着色合法

2011-11-30 20:09:43 2434

原创回溯八皇后问题（递归和非递归）

8皇后问题：如何在8 x 8的国际象棋棋盘上安排8个皇后，使得没有两个皇后能互相攻击？( 如果两个皇后处在同一行、同一列或同一条对角线上，则她们能互相攻击。）解向量为长度为8的数组，记为solution。因为共有8个皇后，而棋盘刚好为8*8，所以每一行肯定会有一个皇后，那么我们约定solution[i]表示第i+1个皇后放在第i+1行的第几列。solution中的列从1开始记。回溯算法的思

2011-11-30 16:35:41 7052

原创 scanf小结

用c写一个双向链表，结果在scanf上总是出现问题：明明得输入3次结果每次都是2次就结束了。调试也没有个所以然来，上网查了一下是输入缓冲区的问题。貌似不是第一次遇到这个问题，所以在这里小结一下。我是在ubuntu下进行的。考虑下面的程序：#include int main( void ){ char i,j; scanf("%c",&i); scanf("%

2011-11-21 12:44:17 816

原创 ubuntu11.10使用局域网中的xp下的共享打印机

先说方法：1.先安装samba ，终端输入：sudo apt-get install samba2.左侧unity面板上的系统设置-打印-添加-网络打印机-使用SAMBA的Windows打印机3.在smb://后面的文本框里面输入共享打印机的ip地址和共享名。实验室的打印机使用windows xp系统，所以说一下在xp下查看共享打印机的ip地址和共享名的步骤ip地址

2011-11-09 20:58:52 291

原创 Win7下硬盘安装ubuntu11.10

参考文章：http://forum.ubuntu.org.cn/viewtopic.php?f=77&t=3484521.下载11.10镜像文件，地址：http://releases.ubuntu.com/11.10/，下载de

2011-11-08 11:26:54 1314

原创单源最短路径（bellman-ford 、dijkstra）

对一个带权有向图G=(V,E），给定一个源顶点S，找出S到图中其他顶点v的最短路径即单源最短路径问题。该问题还有很多变体，像单终点最短路径、单对顶点最短路径、每对顶点间的最短路径等等。最短路径问题是具有最优子结构的：一对顶点间的最短路径包含了该路径上的顶点间的最短路径。直观上理解，如果该路径上的两个顶点间的路径pij不是最短路径，那么用这两个顶点间的最短路径代替pij，那么就会出现一条更短的路

2011-11-01 20:16:35 1474

原创最小生成树算法（prim&kruskal）

无向连通图 G = (V, E)的生成树是它的极小连通子图：连接了图中所有的顶点，有保持图连通的最少的边，且不包含回路（最少的边这一条件已经隐含了不含回路的性质，同时，生成树是一种树，也是不允许有回路的）。在所有的生成树中，权值最小的树就是最小生成树（minimum spanning tree）。由最小生成树的性质可知，它的边数比顶点数小一，而且一个图的最小生成树往往是不唯一的。求解无向连通图

2011-11-01 20:08:01 2555

原创深度优先搜索和广度优先搜索

将图记为G(V,E)。图的表示一般有两种方法：邻接矩阵和邻接表。邻接矩阵是一个为|V|*|V|的二维矩阵，记为array，array[i][j]表示节点i和节点j之间是否存在边，对于带权图（又称为网）,array[i][j]还可以表示节点i和节点j之间边的权。因为邻接矩阵大小和图中的边数|E|无关，所以邻接矩阵更适合于稠密图（|E|接近|V|²）。邻接矩阵同样适合程序需要经常判断两个顶点之间是否存

2011-10-24 17:01:53 4188

原创堆、堆排序、优先级队列（c++实现）

到目前为止，我所知道的堆有两种，一是内存的一种，常见的用途就是动态内存分配了（在c/c++中就是这样），另一种是这里所要论述的一种数据结构。一、堆数据结构中的堆又叫二叉堆，顾名思义，我们可以把它看成一颗完全二叉树，每个元素最多有2个孩子，分别看做左孩子和右孩子。根据元素和它的孩子的关系，堆又可以分为最大堆和最小堆。最大堆的性质是父母的值不小于左右（如果都有）的值，相应地，最小堆就是

2011-10-19 17:39:56 3580

原创最长单调递增子序列

题目：给定一个序列X[0···n]，找出它的最长的单调递增子序列（Longest Increasing Subsequence）分析：思路一：将序列X按非递减顺序排列，形成新序列Y，问题就转变成求解X和Y的LCS。假设使用快速排序，则排序过程的时间复杂度为O（nlgn），而求两个序列的LCS的时间复杂度为O（n2）（因为X、Y长度相等），综合可知该解法的时间复杂度为

2011-09-11 22:23:54 12499