知识卡片
重要词密度用于句内评分
示例先把相距小于阈值的重要词位置连成片段,再用片段中重要词数的平方除以首尾跨度内总词数,句子取各片段最高分。教学例四个重要词分布在五词跨度里,分数为16/5=3.2,孤立词片段为1;这些是启发式权重,不是句子真实重要性的概率。
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
significant_words_in_cluster = len(c) total_words_in_cluster = c[-1] - c[0] + 1 score = 1.0 * significant_words_in_cluster\ * significant_words_in_cluster / total_words_in_cluster
参考来源
- 位置:《社交网站的数据挖掘与分析(原书第2版)》第5章《5.3.3 文档摘要》(spine94;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/part0083.html;u079-ch05-020)。
- 结论依据:原文在“significant_words_in_cluster”附近的定义、例子或代码支撑本卡核心说明:示例先把相距小于阈值的重要词位置连成片段,再用片段中重要词数的平方除以首尾跨度内总词数,句子取各片段最高分。边界按已读前提解释;示例未执行。
- 原始内容:significant_words_in_cluster = len(c) total_words_in_cluster = c[-1] - c[0] + 1 score = 1.0 * significant_words_in_cluster\ * significant_words_in_cluster / total_words_in_cluster