- 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、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、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、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 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、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、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
文本挖掘簡介
文本挖掘简介
邹权
博士,助理教授
Outline
Introduction
TF-IDF
Similarity
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
8
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
Measurement
Edit distance
Short text, words
For personal text
Jaccard distance
Long text, ignoring the word similarity
For government text
Microsoft Academic Search
PK
/Author/2037349.aspx
/Author/3054641.aspx
Real-world Data is Rather Dirty!?
Kenneth De Jong
Kenneth Dejong
2017-4-10
Trie-Join @ VLDB2010
10/38
Typo in “author”
Typo in “title”
relaxed
related
Argyrios Zymnis
Argyris Zymnis
DBLP Complete Search
2017-4-10
Real-world Data is Rather Dirty!?
Trie-Join @ VLDB2010
11/38
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
Kenneth De Jong
George …
…
…
…
3054641
Kenneth Dejong
George …
…
…
…
2017-4-10
Trie-Join @ VLDB2010
12/38
Near Duplicate Data
On one end, a winded Pete Sampras tried to summon enough energy to give the New York fans another memorable win to talk about it on the subway ride home. On the other side, Roger Federer wore a sly grin like he knew age was about to catch up to the former world No. 1 - the man who owns the record of 14 Grand Slams he wants.
03/11/2008 | 11:28 AM
By JAY COHEN, AP Sports
您可能关注的文档
最近下载
- 枕头坝一级水电站水轮发电机转子支架组装与焊接工艺.docx VIP
- 2025-2026学年统编版(2024)七年级道德与法治上册全册教案(教学设计).docx
- 心理健康状况自评量表(SCL-90).doc VIP
- DB21_T 4014-2024 建筑垃圾资源化利用技术规程.pdf VIP
- 某道路新建污水管道工程监理规划.doc VIP
- 苍南县小型农田水利设施技术升级改造经济效益分析.docx VIP
- DB32_T 4463-2023 水域状况评价规范.docx VIP
- 南京科目一新题库及答案.doc VIP
- 市政污水管道工程监理规划.doc VIP
- 关工委办公室主任关心下一代的先进事迹材料.docx VIP
文档评论(0)