- 博客(6)
- 收藏
- 关注
RSS订阅原创 Kaggle：Getting Started of Titanic
一、概要泰坦尼克号幸存预测是Kaggle上参与人数最多的的比赛之一，要求参赛人员预测乘客是否能够幸存，是一个典型的二分类问题。二、数据简介官网提供训练数据集train.csv和测试数据集test.csv和一个提交样例数据集，数据中的各个字段如下：PassengerId: 乘客的IDSurvived：1代表幸存，2代表遇难Pclass：票类别-社会地位， 1代表Upper，2代表...
2018-05-19 17:03:16
1007
原创 知识图谱：行业图谱实战
一、前言关于知识图谱的概念，这里不加赘述，可以参考：知识图谱简介 下文会基于上市公司的基本数据，如：行业、地区、高管等，进行一个简单的实战。二、构建步骤1、数据抽取上市公司的信息可以从很多地方获取到，包括证监会或各类财经网站，或者工商局官网等等，基于获取难度与项目要求，使用以下网站： 新浪财经 巨潮资讯网（1）上市公司基本数据这里从新浪财经获取，基本没有难度，笔者已经...
2018-05-11 15:55:34
16281
3
原创 知识图谱：Konwledge Graph简介
一、概念Konwledge Graph来源于2012年谷歌提出的，用于增强其搜索引擎功能的知识库。 本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。具体体现在谷歌搜索中输入：杭州景点，能够得到结构化的知识，而不是简单的网页链接： 知识图谱是一种结构化的语义知识库，其基本组成单位...
2018-05-10 20:12:40
4552
原创 Replace or Retrieve Keywords In Documents At Scale
一、概念Flashtext主要用于关键字搜索与替换，来自于论文：Replace or Retrieve Keywords In Documents At Scale 论文中提到，Flashtext基于 Trie 字典数据结构和 Aho Corasick，但从搜索方式上，只匹配完整的词而不会匹配子字符串，如： 模式串‘apple’不会匹配到字符串’I like Pineapple’中的‘ap...
2018-05-04 10:56:31
2120
3
原创 How to Strike a Match
一、概念来自于Simon White发表的一篇文章：How to Strike a Match 这个算法主要为了满足以下三个需求：（1）字符串之间只是在某几个字符处出现不同，那么相似度应该比较高。（2）字符串的区别只是相同的词组以不同的顺序排列，那么相似度应该比较高。（3）语言无关性，算法应该满足多种语言的的相似度计算。论文中对比了几种相似度算法， Soundex Algor...
2018-05-02 15:55:08
1163
原创 From Word Embeddings To Document Distances
一、概念词移距离来自于论文：From Word Embeddings To Document Distances 从论文题目可以看出，主要是基于词向量的工作。w2v构造了一个词与词之间衡量相似度的方法，但是对于句子或者文档来说，单纯基于词的衡量方法在一定程度上遗漏了句子的信息，而WMD参考了EMD的内容，成为计算文档相似度的一种方法。二、思想如果希望反映出文档的内在含义，一个比较直观...
2018-05-02 11:33:17
4109
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人