图3.5 分词统计结果本文来自优~文^论#文,网，毕业论文 www.youerw.com 加7位QQ324.9114找源文
如图3.5可见统计后的数组中没有了重复的词 并且重复次数都被记录下来，文本总词数和文本内不重复的词的种数也记录了下来。
分词统计完成后，接下来就是整个分类系统的重头戏之一：数据挖掘。
3.4数据挖掘的实现
数据挖掘，在分类系统中其实就是文本关键词的挖掘，而文本关键词是根据文本内词的词权所决定的，而词权的计算方法在之前方案中已经决定：TFIDF算法。
3.4.1TFIDF算法描述
词频（term frequency，TF）指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被正规化，以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否。）对于在某一特定文件里的词语 ti 来说，它的重要性可表示为：
以上式子中 ni,j 是该词在文件dj中的出现次数，而分母则是在文件dj中所有字词的出现次数之和。
逆向文件频率（inverse document frequency，IDF）是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到：
其中
|D|：语料库中的文件总数
：包含词语ti的文件数目（即的文件数目）如果该词语不在语料库中，就会导致被除数为零，因此一般情况下使用
然后
某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TFIDF。因此，TFIDF倾向于过滤掉常见的词语，保留重要的词语。
3.4.2TFIDF算法的实现
由TFIDF算法描述可知，TFIDF可分为TF和IDF两部分，所以在算法实现的过程中我们也把他分为两部分：TF的获取与IDF的获取
（1）TF的获取
由TF的公式可知TF是由词在文本中出现的次数与文本中所有的词数所决定的。而这两个数值正好由之前的分词统计中获得，所以TF可以直接从分词统计的结果中获取。实现流程图如下：
上一页 [1] [2] [3] [4] [5] [6] [7] [8] 下一页