技术标签: 推荐系统
代码链接: github.
词频-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF) 是一
种用于资讯检索与文本挖掘的常用加权技术。
TF-IDF是一种统计方法,用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降,其计算公式:
TF-IDF的主要思想是:如果某个词或短语在一篇文章中出现的频率TF高,并且在其他,文章中很少出现,则认为此词或者短语具有很好的类别区分能力,适合用来分类。
TF-IDF加权的各种形式常被搜索引擎应用,作为文件与用户查询之间相关程度的度量或评级。
其中TFij表示词语 i 在文档 j 中出现的频率,nij表示i在j中出现的次数,n*j 表示文档 j 的总词数。
其中IDFi表示词语 i 在文档集中的逆文档频率,N表示文档集中的文档总数,Ni表示文档集中包含了词语 i 的文档数。
为了便于理解,代码是基于Jupyter编译器实现,每一步骤均有输出结果。
代码链接: github.
import numpy as np
import pandas as pd
docA = "The cat sat on my bed"
docB = "The dog sat on my knees"
bowA = docA.split(" ")
bowB = docB.split(" ")
#bowA
#构建词库
wordSet = set(bowA).union(set(bowB))
#wordSet
输出: {‘The’, ‘bed’, ‘cat’, ‘dog’, ‘knees’, ‘my’, ‘on’, ‘sat’}
#用统计字典来保存词出现的次数
wordDictA = dict.fromkeys(wordSet,0)
wordDictB = dict.fromkeys(wordSet,0)
#wordDictA
#遍历文档统计词数
for word in bowA:
wordDictA[word] += 1
for word in bowB:
wordDictB[word] += 1
pd.DataFrame([wordDictA,wordDictB])
输出结果:
def computeTF(wordDict,bow):
#用一个字典对象记录所有的tf,把所有的词对应在bow文档里的tf都算出来
tfDict = {
}
nbowCount = len(bow)
for word,count in wordDict.items():
tfDict[word] = count / nbowCount
return tfDict
tfA = computeTF( wordDictA,bowA )
tfB = computeTF( wordDictB,bowB )
tfA
输出结果:
{‘on’: 0.16666666666666666,
‘dog’: 0.0,
‘my’: 0.16666666666666666,
‘knees’: 0.0,
‘cat’: 0.16666666666666666,
‘The’: 0.16666666666666666,
‘sat’: 0.16666666666666666,
‘bed’: 0.16666666666666666}
对于”dog“、”knees“在docA中没有出现,故其计算结果为0。
def computeIDF(wordDictList):
#用一个字典对象保存idf结果,每个词作为key
idfDict = dict.fromkeys(wordDictList[0],0)
N = len(wordDictList)
import math
for wordDict in wordDictList:
#遍历字典中的每个词汇,统计Ni
for word,count in wordDict.items():
if count > 0:
#先把Ni增加1,存入idfDict
idfDict[word] += 1
#已经得到所有词汇i对应的Ni,现在根据公式把它替换成为idf值
for word,ni in idfDict.items():
idfDict[word] = math.log10((N + 1)/(ni+1))
return idfDict
idfs = computeIDF([wordDictA,wordDictB])
idfs
输出结果:
{‘on’: 0.0,
‘dog’: 0.17609125905568124,
‘my’: 0.0,
‘knees’: 0.17609125905568124,
‘cat’: 0.17609125905568124,
‘The’: 0.0,
‘sat’: 0.0,
‘bed’: 0.17609125905568124}
对于"on"、”my“、”The“、”sat“这些词在docA与docB中都出现了,说明相对不重要,其计算结果为0。
def computeTFIDF(tf,idfs):
tfidf = {
}
for word,tfval in tf.items():
tfidf[word] = tfval * idfs[word]
return tfidf
tfidfA = computeTFIDF(tfA,idfs)
tfidfB = computeTFIDF(tfB,idfs)
pd.DataFrame([tfidfA,tfidfB])
输出结果:
每个词的关键程度一目了然,本例中的bed,cat与dog,knees相对比较重要。
文章浏览阅读122次。还是A+BTime Limit: 2000/1000 MS (Java/Others)Memory Limit: 65536/32768 K (Java/Others)Total Submission(s): 24568Accepted Submission(s): 11729Problem Description读入两个小于10000的正整数A和B,计算A+B。...
文章浏览阅读419次。HEADERS:在BASIC的基础上,额外记录了请求和响应的头信息。FULL:记录所有请求和响应的明细,包括头信息、请求体、元数据。BASIC:仅记录请求的方法,URL以及响应状态码和执行时间。NONE:不记录任何日志信息,这是默认值。配置Feign日志有两种方式;方式二:java代码实现。注解中声明则代表某服务。方式一:配置文件方式。_feign 日志设置
文章浏览阅读155次。将容器管理的持久性 Bean 用于面向服务的体系结构本文将介绍如何使用 IBM WebSphere Process Server 对容器管理的持久性 (CMP) Bean的连接和持久性逻辑加以控制,使其可以存储在非关系数据库..._javax.ejb.objectnotfoundexception: no such entity!
文章浏览阅读1.5k次。基础java练习题一、递归实现跳台阶从第一级跳到第n级,有多少种跳法一次可跳一级,也可跳两级。还能跳三级import java.math.BigDecimal;import java.util.Scanner;public class Main{ public static void main(String[]args){ Scanner reader=new Scanner(System.in); while(reader.hasNext()){ _java 递归例题
文章浏览阅读1.5k次,点赞6次,收藏6次。目录1.串应用- 计算一个串的最长的真前后缀题目描述输入输出样例输入样例输出题解2.字符串替换(string)题目描述输入输出样例输入样例输出题解3.可重叠子串 (Ver. I)题目描述输入输出样例输入样例输出题解4.字符串操作(string)题目描述输入输出样例输入样例输出题解1.串应用- 计算一个串的最长的真前后缀题目描述给定一个串,如ABCDAB,则ABCDAB的真前缀有:{ A, AB,ABC, ABCD, ABCDA }ABCDAB的真后缀有:{ B, AB,DAB, CDAB, BCDAB_对存储在string数组内的所有以字符‘a’开始并以字符‘e’结尾的单词做加密处理。
文章浏览阅读68次。西安交通大学/算法设计与问题求解/树与二叉树/MOOC_算法设计与问题求解西安交通大学
文章浏览阅读1.6k次。问题:在Vue项目中出现如下错误提示:[Vue warn]: Computed property "totalPrice" was assigned to but it has no setter. (found in <Anonymous>)代码:<input v-model="totalPrice"/>原因:v-model命令,因Vue 的双向数据绑定原理 , 会自动操作 totalPrice, 对其进行set 操作而 totalPrice 作为计..._computed property "totalprice" was assigned to but it has no setter.
文章浏览阅读60次。十分暴力而简洁的解决方式:读取P和T的位置并自动生成唯一正确答案,将题给测点与之对比,不一样就给我爬!_basic 1003 case 1
文章浏览阅读422次。原标题:详解将Web项目War包部署到Tomcat服务器基本步骤详解将Web项目War包部署到Tomcat服务器基本步骤1 War包War包一般是在进行Web开发时,通常是一个网站Project下的所有源码的集合,里面包含前台HTML/CSS/JS的代码,也包含Java的代码。当开发人员在自己的开发机器上调试所有代码并通过后,为了交给测试人员测试和未来进行产品发布,都需要将开发人员的源码打包成Wa..._/opt/bosssoft/war/medical-web.war/web-inf/web.xml of module medical-web.war.
文章浏览阅读3k次,点赞3次,收藏13次。# -*- coding: utf-8 -*-# 简述:这里有四个数字,分别是:1、2、3、4#提问:能组成多少个互不相同且无重复数字的三位数?各是多少?def f(n):list=[]count=0for i in range(1,n+1):for j in range(1, n+1):for k in range(1, n+1):if i!=j and j!=k and i!=k:list.a..._python求从0到9任意组合成三位数数字不能重复并输出
文章浏览阅读1k次,点赞3次,收藏2次。<el-table-column prop="studentSex" label="性别" :formatter="sex"></el-table-column>然后就在vue的methods中写方法就OK了methods: { sex(row,index){ if(row.studentSex == 1){ return '男'; }else{ return '女'; }..._elementui table 性别
文章浏览阅读1.1k次。java文件操作之移动文件到指定的目录_java中怎么将pro.txt移动到design_mode_code根目录下