xiaolu的专栏

文本特征向量经典的向量空间模型(VSM: Vector Space Model)由Salton等人于60年代提出，并成功地应用于著名的SMART文本检索系统。VSM概念简单,把对文本内容的处理简化为向量空间中的向量运算,并且它以空间上的相似度表达语义的相似度,直观易懂。当文档被表示为文档空间的向量，就可以通过计算向量之间的相似性来度量文档间的相似性。文本处理中最常用的相似性度量方式是余弦距

这篇博客是我看了半年的论文后，自己对 Deep Learning 在 NLP 领域中应用的理解和总结，在此分享。其中必然有局限性，欢迎各种交流，随便拍。　　Deep Learning 算法已经在图像和音频领域取得了惊人的成果，但是在 NLP 领域中尚未见到如此激动人心的结果。关于这个原因，引一条我比较赞同的微博。@王威廉：Steve Renals算了一下icassp录取文章题目

机器学习当然包含很多的方面，但我只关心文本挖掘，那么机器学习和文本挖掘的关系是什么？文本挖掘的一般流程如下所示：第一步当然是，特征提取，这是一个文档降维的过程。首先明晰几个概念，特征提取、特征选择（特征选取）Feature Selection、特征抽取Feature Extraction。一般来说，特征提取实际上有两大类方法。一类称为特征选择，指的是从原有的特征

前言：Deep Learning已经很火了，本文作者算是后知后觉者，主要原因是作者的目前工作是广告点击率预测，而之前听说Deep Learning最大的突破还是在图像语音领域，而在NLP和在线广告点击预测方面的突破还不够大。但后来听说Google开源的word2vec还挺有意思，能够把词映射到K维向量空间，甚至词与词之间 的向量操作还能和语义相对应。如果换个思路，把词当做feature，那

机器学习的有概率分类器(probabilistic) ,贝叶斯推理网络(bayesian inference networks) , 决策树分类器(decision tree) ,决策规则分类器(decision rule) ,基于回归的线性最小二乘llsf(regression based on linearleast squares fit ) , 符号规则归纳法( symbolic ru

语义分析，本文指运用各种机器学习方法，挖掘与学习文本、图片等的深层次概念。wikipedia上的解释：In machine learning, semantic analysis of a corpus is the task of building structures that approximate concepts from a large set of documents(or imag