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. lda主题建模

  2. lda主题建模的算法简单说明，用gibbs sampling推断LDA

  3. 所属分类：专业指导

    • 发布日期：2014-04-19
    • 文件大小：525312
    • 提供者：zhangxiaobin213

  1. LDA主题建模算法的JAVA实现

  2. LDA主题建模算法的JAVA实现，可获得不同主题下的概率分布

  3. 所属分类：Java

    • 发布日期：2015-04-16
    • 文件大小：60416
    • 提供者：xyniubaobao

  1. LDA主题建模

  2. 基于LDA的微博热点发现，需要的童鞋可以参考参考

  3. 所属分类：Java

    • 发布日期：2015-12-24
    • 文件大小：610304
    • 提供者：xiaojuan21

  1. 基于最小领域知识的主题建模 ：Topic Modeling with Minimal Domain Knowledge

  2. 基于最小领域知识的主题建模 ，一种基于融合知识的主题模型的微博话题发现方法，涉及自然语言处理领域 传统的主题挖掘技术基于概率统计的混合模型，对文本信息进行建模，使得模型能够自动挖掘出文本中潜在的语义信息，使用户能够快速的了解文本中所涉及的内容。通过主题模型，不仅能够获得文本集合中主要涉及的信息，而且能够获得每篇文档中的内容信息。常见的主题模型有概率潜在语义分析(ProbabilisticLatentSemanticAnalysis,PLSA)模型[1]和潜在狄利克雷分配(LatentDiric

  3. 所属分类：机器学习

    • 发布日期：2017-09-19
    • 文件大小：538624
    • 提供者：hhtnan

  1. R语言jiebaR中文分词并做LDA主题建模

  2. 使用R语言中的jiebaR包，对中文文本进行分词，求词频，做词云图并进行LDA主题建模。

  3. 所属分类：其它

    • 发布日期：2018-03-31
    • 文件大小：14336
    • 提供者：weixin_41933271

  1. 基于概率生成模型的文本主题建模及其应用

  2. 基于概率生成模型的文本主题建模及其应用，主要讲述LDA主题模型的应用。

  3. 所属分类：算法与数据结构

    • 发布日期：2018-04-04
    • 文件大小：7340032
    • 提供者：a450781469

  1. 基于词组主题建模的文本语义压缩算法

  2. 为了实现文本代表性语义词汇的抽取，提出一种基于词组主题建模的文本语义压缩算法SCPTM(semantic compression based on phrase topic modeling) 。该算法首先将代表性语义词汇抽取问题转化为最大化优化模型，并通过贪心搜索策略实现该模型的近似求解。然后，利用词组挖掘模型LDACOL 实现词组主题建模，得到SCPTM 算法的输入参数；同时，针对该模型中词组的主题分配不稳定的问题进行改进，使得取得的代表性语义词汇更加符合人们对语义的认知习惯。最后，将改进L

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：506880
    • 提供者：weixin_38669729

  1. Natural-language-processing:该存储库包括用于NLP任务的ML模型-使用Keras API的垃圾邮件检测，使用RF XGboot的垃圾邮件滞留，使用Logistic回归的情感分类，使用LDA的主题建模-源码

  2. Natural-language-processing:该存储库包括用于NLP任务的ML模型-使用Keras API的垃圾邮件检测，使用RF XGboot的垃圾邮件滞留，使用Logistic回归的情感分类，使用LDA的主题建模

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：14336
    • 提供者：weixin_42157567

  1. gmail_helper:个人Gmail帐户上的机器学习应用程序。 主题建模，电子邮件分类等-源码

  2. Gmail助手 **最后更新时间：2021/02/24 ** 使用Gmail Python API从个人Gmail帐户加载和清除电子邮件。 一些主要功能包括 根据用户偏好过滤掉不重要的电子邮件 以易于阅读的格式对重要电子邮件进行存档和分类 档案文件 gmail.py：一种用于从个人Gmail帐户提取电子邮件的工具。 topic_model.ipynb：一个示例，使用LDA和LSA在来自我的个人Gmail帐户的5000多封电子邮件中构建主题模型。

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：166912
    • 提供者：weixin_42131352

  1. 通过潜在主题建模的基于实时眼动跟踪的查询扩展方法

  2. 即使对于有经验的用户，制定和重新制定可靠的文本查询也已被认为是信息检索（IR）中的一项艰巨任务。 大多数现有的查询扩展方法，尤其是基于隐式相关性反馈的查询扩展方法，都利用用户的历史交互数据，例如单击，滚动和查看文档的时间，来推导完善的查询模型。 进一步期望，如果我们可以通过直接在术语级别捕获用户当前的交互来实时挖掘用户的潜在查询意图，则用户的搜索体验将得到极大改善。 在本文中，我们提出了一种基于实时眼动跟踪的查询扩展方法，该方法能够：（1）利用眼动跟踪技术自动捕获用户正在查看的术语； （2）根据

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：1048576
    • 提供者：weixin_38551431

  1. LDA-Topic-Modelling-源码

  2. LDA主题建模

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：780288
    • 提供者：weixin_42139460

  1. 大型主题建模的快速在线EM

  2. 期望最大化（EM）算法可以计算混合模型或潜在变量模型（例如潜在Dirichlet分配（LDA））的最大似然（ML）或最大后验（MAP）点估计，这是其中最大的一种过去十年中流行的概率主题建模方法。 但是，批处理EM具有很高的时间和空间复杂性，无法从大数据流中学习大型LDA模型。 在本文中，我们提出了一种快速的在线EM（FOEM）算法，该算法从不断增长的存储需求中不断地推断出以前看不见的文档中的主题分布。 在随机近似框架内，我们表明FOEM可以收敛到LDA似然函数的局部平稳点。 通过动态调度以实现快

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：1048576
    • 提供者：weixin_38616505

  1. 走向大主题建模

  2. 为了解决大主题建模问题，我们需要减少批次潜在狄利克雷分配（LDA）算法的时间和空间复杂性。 尽管在多处理器体系结构上的并行LDA算法具有较低的时间和空间复杂度，但是它们在处理器之间的通信成本通常随词汇量和主题数量线性增长，从而导致严重的可扩展性问题。 为了降低处理器之间的通信复杂度以实现改进的可伸缩性，我们提出了一种基于幂定律的新型通信高效并行主题建模架构，当主题数量很大时，该架构消耗的通信时间要少几个数量级。 我们将建议的通信有效的并行体系结构与在线信念传播（OBP）算法（称为POBP）相结合

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：752640
    • 提供者：weixin_38694336

  1. 主题建模：如何通过Laten Dirichlet分配（LDA）将文档聚类-源码

  2. 主题建模 如何通过Laten Dirichlet分配（LDA）对文档进行聚类

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：7168
    • 提供者：weixin_42109732

  1. Topic_Modeling：一个从头复制了多个主题建模算法的仓库-源码

  2. 主题建模 一个从头复制了多个主题建模算法的仓库 pLSA概率潜在语义分析-plsa.py 原始论文可在中找到，使用EM算法估计主题分布，每个文档中的单词分布 潜在狄利克雷分配（LDA）算法-lda.py 原始论文可以在这里找到 ，我使用的MCMC算法是折叠的Gibbs采样 ，对我来说，它比原始作者提出的变分推理更容易实现。 我在一个小的数据集上进行了测试，该数据集包含约120条Yelp评论，涵盖了三个主要类别（海鲜，水暖，宠物店）。该算法可以清楚地识别每个主题的关键字。 短文本算法的双项主题模

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：60416
    • 提供者：weixin_42127937

  1. 主题建模：用于github数据的LDA-源码

  2. LDA LDA用于github数据

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：5120
    • 提供者：weixin_42121905

  1. TwitterLDATopicModeling：使用主题建模来标识Twitter用户的关注者关系之间的上下文-源码

  2. 描述 Twitter用户经常基于相似的兴趣与其他用户关联并社交。 可以使用训练有素的LDA模型对这些用户的Tweet进行分类，以自动发现他们的相似性。 先决条件 由于模式库当前与大多数Python 3版本不兼容，因此建议使用python 2.7。 Python 3.6可以与模式库一起使用，尽管它可能需要从源代码构建，因为大多数较新Linux发行版都没有预安装它。 linux_setup_py3.6.sh脚本中提供了从源代码构建Python 3.6的命令。 正在安装 Linux 下载： gi

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：2097152
    • 提供者：weixin_42131601

  1. lda-topic-modeling：LDA主题建模的基于浏览器的PureScript实现-源码

  2. LDA主题建模 潜在的Dirichlet分配（LDA）主题建模的基于浏览器的Purescr ipt实现。 能够接收两个或更多文档，并通过最多四个主题对它们进行软分组。 在尝试一下。 了解有关更多信息。 生成并运行 # Install Git. git clone gitgithub.com:lettier/lda-topic-modeling.git cd lda-topic-modeling # Install nvm and npm. nvm use npm install -g bowe

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：118784
    • 提供者：weixin_42101641

  1. lda：node.js的LDA主题建模-源码

  2. LDA javascr ipt中的node.js潜在Dirichlet分配（LDA）主题建模。 LDA是一种机器学习算法，可从文档集中提取主题及其相关关键字。 在LDA中，文档可能包含几个不同的主题，每个主题都有自己的相关术语。 该算法使用概率模型来检测指定主题的数量并提取其相关关键字。 例如，文档可能包含可以分类为与海滩有关和与天气有关的主题。 海滩主题可能包含相关的单词，例如沙子，海洋和水。 同样，天气主题可能包含相关的词，例如太阳，温度和云。 参见 $ npm install ld

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：16384
    • 提供者：weixin_42166261

  1. gensim：人类主题建模-源码

  2. gensim – Python中的主题建模 Gensim是用于主题建模，文档索引和大型语料库相似性检索的Python库。 目标受众是自然语言处理（NLP）和信息检索（IR）社区。 产品特点 所有算法均与语料库大小无关（可以处理大于RAM的输入，流式处理，核外处理）， 直观的界面 轻松插入您自己的输入语料库/数据流（简单的流式API） 易于使用其他向量空间算法（简单转换API）进行扩展 流行算法的高效多核实现，例如在线潜在语义分析（LSA / LSI / SVD） ，潜在狄利克雷分配（LDA

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：58720256
    • 提供者：weixin_42114645
« 12 3 »