- 相似度计算:
- 句子相似度:采用余弦相似度方法
- 文档相似度:
- 方法一:通过提取文档关键词,计算词频,然后进行余弦相似度计算
- 方法二:w-shingling算法,取AB的三元组集合,分别去重,r(A,B)=交集数/并集数
- hits算法:
- 例如i链向j,即:i->j, 另A表示权威值,H表示枢纽值;
- 有:H(i)=∑A(j) A(j)=∑H(i)
- pagerank:
- pr(A)=(1-0.85)+0.85*∑ (链向A的节点的pr/该节点的出度);
- 依次迭代,注意事项:每轮的值会用到当前轮的前面计算出的pr值。
- TF-IDF:每个字词重要性与在该文件中出现的次数成正比;与在其他文件中出现次数成反比。
- TF-IDF=TF*IDF
- TF=该词个数/文档总的词数 (注:作用域为当前文档)
- IDF=log(所有文档个数总和/包含该词的文档数)
- TextRank:
- 先建表,设置窗口个数k,以该词为核心,统计前后k个词出现的次数,然后填入表格
- S['词']=(1-0.85)+0.85*∑ (S['词x']/该词列之和)
- 布隆过滤器:
- 用k个不同的哈希函数将该元素拆分成k个值,用映射函数将k个值映射为一个位数组的k个点
- 有0,则一定不存在
- 正向最大匹配、逆向最大匹配、倒排序、准确率、召唤率、F度量、爬虫scrapy…..
没时间写了,有空后续给出。点关注,不迷路 ^_^