计算两个句子的相似度:
句子–分词–语料库–词频–词频向量 利用向量计算相似度 余弦相似度
接下来文本分类:时尚;军事;新闻;生活;文化类等等。
数据源来自搜狗实验室
名字命名了四个如下:
head就是看一下指定的前20个或者前几个。
wordcloud库:文本可视化如下图
好玩的网址:githup/amueller/word_cloud
LDA:主题模型 无监督的不知道语料是什么主题类似k-means,制定好划分为多少堆,再进行建模操作。
LDA用gensim库来实现的。
贝叶斯算法分类任务
做一个10分类的任务,但是sklearn是不认识label的,只认识0,1,…9
tips:用库的时候报错了,先看是否更新了版本,写一个简单的输入,用最简单的形式去测试一下是否有问题。没有问题按照这个写数据就可以了。
练习:
首先时是安装jieba库:打开anoconda prompt,输入pip install jieba. And
Waiting…
jieba和sklearn都可以进行关键词提取。
同时在例子中学到了URL这个名词
Uniform Resource Locator
url是统一资源定位符,对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示,是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL,它包含的信息指出文件的位置以及浏览器应该怎么处理它。