TextMining02-特征提取.pdf
|
分词
|
最大匹配法..
|
分词歧义和各种数字,日期,姓名识别
|
最大概率法
|
最短路径法
|
词性标注
|
基于规则的词性标注
|
|
基于统计的词性标注(及缺陷)
|
|
文档模型
|
布尔模型
|
|
向量空间模型(tf-idf)
|
|
文档概率模型
|
|
文本相似性计算
|
基于概率模型的相似度(Okapi收费)
|
|
基于vsm的相似度计算
(基于内积,和集合相似度计算的比较)
|
欧氏距离
|
向量内积相似度
|
余弦相似度
|
Jaccard相似度
|
文本序列
|
海明距离
|
|
编辑距离
|
|
编辑操作的代价(算法)
|
|
特征空间的变化
|
LSA隐形语义分析
|
|
SVD思想、步骤。(truncated)
|
|
SVD实例和工具
|
|
PS:
海明距离在文本序列的相似度比较上会比较有用。
海明距离。通常一
帧包括m个数据(报文)位和r个冗余位或者校验位。设整个长度为n(即n=m+r),则此长度为n的单元通常被称作n位码字(codeword)。
给出任意两个码字,如10001001和10110001,可以确定它们有多少个对应位不同。在此例中有3位不同。为了确定有多少位不同,只须对两个码字
做异或运算,然后计算结果中1的个数。两个码字中不同位的个数,称为海明距离(Hamming
Distance)。其重要性在于,假如两个码字具有海明距离d,则需要d个位差错才能将其中一个码字转换成另一个。
一种编码的校验和纠错能力取决于它的海明距离。为检测出d比特错,需要使用d+1的编码;因为d个单比特错决不可能将一个有效的码
字转变成另一个有效的码字。当接收方看到无效的码字,它纠能明白发生传输错误。同样,为了纠正d比特错,必须使用距离为2d+1的编码,这是因为有效码字
的距离远到即使发生d个变化,这个发生了变化的码字仍然比其它码字都接近原始码字。作为纠错码的一个简单例子,考虑如下只有4个有效码字的代码:
0000000000、0000011111、1111100000和1111111111这种代码的距离为5,也就是说,它能纠正双比特错。假如码字
0000000111到达后,接收方知道原始码字应该为0000011111。但是,如果出现了三位错,而将0000000000变成了
0000000111,则差错将不能正确地纠正。
http://www.blogjava.net/Files/fullfocus/featureselect.pdf
posted on 2008-06-09 20:38
fullfocus 阅读(1633)
评论(0) 编辑 收藏 所属分类:
聚类算法研究