希望大家能获得好成绩。
第一题
首先分词,分词本质上是一个序列标注问题,建议使用条件随机场。条件随机场可以用网络上开源的 SigHan05 的 MSR 分词语料库来训练。分词过后,当然还要删除停用词。删除停用词可以用双向匹配,即基于规则的词典匹配法。停用词字典的话,开源的有很多,这都不是问题。
另外要注意的问题是,英文怎么解决?我觉得只能手动翻译了,当然也可以不管,或者删除。
如何提取关键热词呢?有三个方法:
- 词频统计:缺点在于反复出现的词不一定是热词
- TF-IDF:占用空间太大
- TextRank:类似于 google 排行算法的 PageRank,把词看成节点,应该就能懂了。
然后,最重要的一点,就是结合上述的方法,最后提出热门词。
第二题
评价模型的训练,感觉其实是一个监督学习中的回归问题。但这个机器学习,数据集有些少,就 50 个。
如何解决呢?首先将景区下的所有评论,拼接成一个长文档,再采用分词和停用词过滤,再用词袋模型(如TF-IDF)将非结构化的文本,转换为结构化的向量。