注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Radical Embedding: Delving Deeper to Chinese Radicals

  2. 该论文中展示了“字根嵌入”技术的实际效果。运用新方式计算后，机器在处理中文分词、短文本分类及网页排序方面的效果大幅提升，这在某种程度上证实了“字根嵌入”可以作为中文自然语言处理的基本单位的可能。

  3. 所属分类：深度学习

    • 发布日期：2018-03-20
    • 文件大小：371712
    • 提供者：qj8380078

  1. CRF，LSTM，最大后向匹配法实现中文分词

  2. 3种中文分词方法：最大后向匹配法，CRF，LSTM。其中LSTM又用了三种方法输入，glove向量，Word2vec向量，还有将字映射成整数再通过embedding层映射成字向量作为输入。还包含中文分词的评分脚本。

  3. 所属分类：深度学习

    • 发布日期：2018-06-18
    • 文件大小：14680064
    • 提供者：sixi5498

  1. 基于多元特征融合和LSTM神经网络的中文评论情感分析.caj

  2. 本文的主要研究工作如下： （1）针对文本情感分析中对文本表示时遇到的维度过高和语义不相关 的问题，本文采用 word embedding 机制，通过神经网络语言模型对大量评 论文本进行训练，并在此基础上通过 distributed representation 的方式表示文 本，从而将文本映射为一个低维实数向量。这种文本表示方法同时也可以 表达文本的语义信息，有助于神经网络模型对文本更好地理解。 （2）针对情感分析任务的特殊性，本文提出了一种新的文本表示方法- ——多元特征词向量。这种表示方

  3. 所属分类：深度学习

    • 发布日期：2020-09-08
    • 文件大小：1048576
    • 提供者：fengliren

  1. Keras—embedding嵌入层的用法详解

  2. 最近在工作中进行了NLP的内容，使用的还是Keras中embedding的词嵌入来做的。 Keras中embedding层做一下介绍。 中文文档地址：https://keras.io/zh/layers/embeddings/ 参数如下： 其中参数重点有input_dim,output_dim,非必选参数input_length. 初始化方法参数设置后面会单独总结一下。 demo使用预训练（使用百度百科（word2vec）的语料库）参考 embedding使用的demo参考： def cre

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：75776
    • 提供者：weixin_38642636

  1. python获取txt文件词向量过程详解

  2. 在读取https://github.com/Embedding/Chinese-Word-Vectors中的中文词向量时，选择了一个有3G多的txt文件，之前在做词向量时用的是word2vec，所以直接导入模型然后indexword即可。 因为这是一个txt大文件，尝试了DataFrame，np.loadtxt等，都没有成功，其中主要遇到的问题是： 如何读取完整的大文件，而不会出现内存不足memery error等问题 将读取出来的文件，保存为npy文件 根据词找到对应的向量 解决办

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：53248
    • 提供者：weixin_38571104

  1. python gensim使用word2vec词向量处理中文语料的方法

  2. word2vec介绍 word2vec官网：https://code.google.com/p/word2vec/ word2vec是google的一个开源工具，能够根据输入的词的集合计算出词与词之间的距离。 它将term转换成向量形式，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。 word2vec计算的是余弦值，距离范围为0-1之间，值越大代表两个词关联度越高。 词向量：用Distributed Representat

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：188416
    • 提供者：weixin_38637764

  1. WordEmbedding-WikiChinese：基于中文维基百科文本数据训练词向量-源码

  2. 基于中文维基百科文本数据训练词向量 一，数据获取 本词向量利用的是中文维基百科的语料进行训练。 语料地址： （大小1.16G） 也可以在我的网盘上下载：链接： 提取码：ihu4 二，数据转换 原数据的格式是xml，我们可以将其转换为txt。 这里使用的是gensim自带的WikiCorpus，首先读取xml文件到input_file中，然后其中的get_texts方法会生成一个get_texts器，每一个继承蕴含了一篇文章，这样我们就可以将其写入新的txt文件中了。 三，繁体数据转换为简体数据

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：4096
    • 提供者：weixin_42099302