文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档 简介 文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。而文本分类是文本挖掘中一个非常重要的手段与技术。现有的分类技术都已经非常成熟，SVM、KNN、Decision Tree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡

0x00 前言 突然想做一个漏洞词云，看看哪些漏洞比较高频，如果某些厂商有漏洞公开(比如ly)，也好针对性挖掘。就选x云吧（镜像站 http://wy.hxsec.com/bugs.php ）。用jieba和wordcloud两个强大的第三方库，就可以轻松打造出x云漏洞词云。 github地址： https://github.com/theLSA/wooyun_wordcloud 本站下载地址：wooyun_wordcloud 0x01 爬取标题 直接上代码： #coding:utf-8 #

在传统的文本信息处理中，以单词向量表示文本的语义内容，以单词向量空间的度量来表示文本之间的语义近似度。这种方法不能准确表示语义。 潜在语义分析试图从大量的文本数据中发现潜在的话题，以话题向量来表示文本的语义内容，以话题向量的空间度量更准确地表示文本之间的语义相似度。 潜在语义分析使用的是非概率的话题分析模型，具体来说，就是将文本集合表示为单词-文本矩阵，对单词-文本矩阵进行奇异值分解，从而得到话题向量空间，以及文本在话题向量空间的表示。可采用的矩阵分解方法有：奇异值分解、非负矩阵分解。 给定一个

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