知识卡片
文本集合封装分项词权重
本书用TextCollection对文档集合计算tf、idf、tf_idf,减少重复实现;仍要输入一致切词的文档,并明确库采用的公式。当前NLTK 3.9.2所选源码显示TextCollection继承Text,保存文档集合和IDF缓存;idf使用未加1的log(N/df),与本书手写版不同。
结构图:已读当前类的真实继承及相关方法,非全库架构。
classDiagram
Text <|-- TextCollection
class Text {
__init__(self, tokens, name=None)
vocab(self)
}
class TextCollection {
__init__(self, source)
tf(self, term, text)
idf(self, term)
tf_idf(self, term, text)
}
tf_idf返回tf与idf的乘积,不能据同名方法假定跨实现数值完全一致;当前源码对空语料的IDF抛错、未命中词返回0。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
tc = nltk.TextCollection(activities) relevant_activities = [] for idx in range(len(activities)): score = 0 for term in [t.lower() for t in QUERY_TERMS]: score += tc.tf_idf(term, ac
参考来源
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第4章《4.4.2 对人类语言使用TF-IDF》(spine87;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0076.html;u065-ch04-021)。
- 结论依据:原文在“tc = nltk.TextCollection(activities)”附近的定义、例子或代码支撑本卡核心说明:本书用TextCollection对文档集合计算tf、idf、tf_idf,减少重复实现;仍要输入一致切词的文档,并明确库采用的公式。边界按已读前提解释;示例未执行。
- 原始内容:tc = nltk.TextCollection(activities) relevant_activities = [] for idx in range(len(activities)): score = 0 for term in [t.lower() for t in QUERY_TERMS]: score += tc.tf_idf(term, ac