文本挖掘简介.pptVIP

  1. 1、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。。
  2. 2、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
  3. 3、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)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、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
  6. 6、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。
  7. 7、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
查看更多
文本挖掘简介.ppt

Introduction Why? Text mining ≈ Web mining How? Classification or Clustering Retrieval 文本分类一般过程 预处理 将文档集表示成易于计算机处理的形式 特征表示与选择、降维 根据适宜的权重计算方法表示文档中各项的重要性 学习建模 构建分类器 文本分类预处理 去标点、多余空格、数字(可选) 大小写统一 去停用词(stop words) 没有实际含义的词,比如and, you, have等等 统一词根 PorterStemmer 分词 英文?中文 特征表示 向量空间模型 以词项为特征组成高维特征向量 TF/IDF得到权值 TF-IDF TF(Term Frequency) 表示词项频率 IDF(Inverse Document Frequency) 逆文档频率 TF*IDF值 Measurement Edit distance Short text, words For personal text Jaccard distance Long text, ignoring the word similarity For government text Near Duplicate Data Similarity Join Tokenize: Each record is a set of tokens from a finite universe. Suppose each record is a single text document x = “yes as soon as possible” y = “as soon as possible please” x = {A, B, C, D, E} y = {B, C, D, E, F} 参考文献 Chuan Xiao, Wei Wang, Xuemin Lin, Jeffrey Xu Yu. Efficient Similarity Joins for Near Duplicate Detection. WWW 2008. Guoliang Li, Dong Deng, Jiannan Wang, Jianhua Feng. Pass-Join: A Partition based Method for Similarity Joins. VLDB 2012. 文本挖掘简介 邹权 博士,助理教授 Outline Introduction TF-IDF Similarity * Similarity Applications Many Web-mining problems can be expressed as finding “similar” sets: Plagiarism/Mirror Pages/Articles from the Same Source/Duplication Remove Collaborative Filtering as a Similar-Sets Problem Recommend to users items that were liked by other users who have exhibited smilar tastes Microsoft Academic Search PK /Author/2037349.aspx /Author/3054641.aspx Real-world Data is Rather Dirty!? Kenneth De Jong Kenneth Dejong * Trie-Join @ VLDB2010 */38 Typo in “author” Typo in “title” relaxed related Argyrios Zymnis Argyris Zymnis DBLP Complete Search * Real-world Data is Rather Dirty!? Trie-Join @ VLDB2010 */38 The similarity join is an essential operation for data integration and cleaning Perform a similarity join on Name attribute (find all record pairs whose Name attributes are similar) Output: (2037349, 3054641), … Similarity Joins R Id Name Univ. 2037349

文档评论(0)

ailuojue + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档