原创力文档- 1、本文档共16页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
文本挖掘简介
文本挖掘简介
Outline
ØIntroduction
ØTF-IDF
ØSimilarity
Introduction
ØWhy？
üTextmining≈Webmining
ØHow？
üClassificationorClustering
üRetrieval
文本分类一般过程
Ø预处理
ü将文档集表示成易于计算机处理的形式
Ø特征表示与选择、降维
ü根据适宜的权重计算方法表示文档中各项的重要性
Ø学习建模
ü构建分类器
文本分类预处理
Ø去标点、多余空格、数字（可选）
Ø大小写统一
Ø去停用词（stopwords）
ü没有实际含义的词，比如and,you,have等等
Ø统一词根
üPorterStemmer
Ø分词
ü英文？中文
特征表示
Ø向量空间模型
Ø以词项为特征组成高维特征向量
ØTF/IDF得到权值
TF-IDF
ØTF（TermFrequency）
ü表示词项频率
ØIDF（InverseDocumentFrequency）
ü逆文档频率
ØTF*IDF值
SimilarityApplications
ManyWeb-miningproblemscanbeexpressedasfinding
“similar”sets:
Plagiarism/MirrorPages/ArticlesfromtheSame
Source/DuplicationRemove
CollaborativeFilteringasaSimilar-SetsProblem
Recommendtousersitemsthatwerelikedbyotheruserswho
haveexhibitedsmilartastes
9
Measurement
ØEditdistance
üShorttext,words
üForpersonaltext
ØJaccarddistance
üLongtext,ignoringthewordsimilarity
üForgovernmenttext
Real-worldDataisRatherDirty！
MicrosoftAcademicSearch
KeethDeJongKeethDejong
PK
://academic.research.microsoft://academic.research.microsoft
/Author/2037349.aspx/Author/3054641.aspx
2024/1/2Trie-Join@VLDB201011/38
Real-worldDataisRatherDirty！
DBLPCompleteSearch
ØTypoin“author”
Argyri
文档评论（0）