5.1索引压缩-词项的统计特性(Heaps定律、Zipf定律)

提示:
信息检索:索引压缩-词项的统计特性(Heaps定律、Zipf定律)


回顾

在这里插入图片描述

在这里插入图片描述

Heaps定律

一种对词项数目M进行估计的方法是采用Heaps定律: M=kT^b。
在这里插入图片描述
 对RCV1文档集来说,虚线log10M = 0.49log10T + 1.64
是基于最小二乘法的最佳拟合,则M= 101.64 * T0.49,
所以k =101.64≈44, b=0.49对RCV1是一个很好的经验拟合.
 对于前1,000,020个词条,Heaps定律会估计得到大约38,323个词项;而实际数目是38365,和估计值非常接近.
在这里插入图片描述

Heaps定律提供了对文档集中词汇量的估计
我们还想了解词项在文档中的分布情况,在自然语言中,只有很少一些非常高频的词项,而其它绝大部分都是很生僻的词项

Zipf定律

排名第i多的词项的文档集频率与1/i成正比
cfi a 1/ij
cfi是文档集频率:词项t在文档集中出现的次数
Zipf定律推论

如果最高频的词项(the)出现了cfn次
那么第二高频的词项(of)出现了cf1/2次
第三高频的词项(and)出现了cf1/3次
等价的: cfi= K/i中K是归一化因子,所以
log cfi= log K- log I
log cfi和log i之间存在着线性关系

Zipf

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

心灵排骨汤

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值