Questions tagged «information-retrieval»

许多网站都提供一些统计信息，例如“过去24小时内最热门的主题”。例如，Topix.com在其“新闻趋势”部分显示了这一点。在这里，您可以看到提及次数增长最快的主题。 我也想为主题计算这样的“嗡嗡声”。我该怎么办？该算法应权衡始终不那么热门的主题。通常（几乎）没有人提及的主题应该是最热门的主题。 Google提供“热门趋势”，topix.com显示“热门主题”，fav.or.it显示“关键字趋势”-所有这些服务都有一个共同点：它们仅向您显示当前异常热门的即将到来的趋势。 诸如“小甜甜布兰妮”，“天气”或“巴黎希尔顿”之类的词不会出现在这些列表中，因为它们总是很热而且很频繁。本文称为“小甜甜布兰妮问题”。 我的问题：如何编码算法或使用现有算法来解决此问题？列出最近24小时内搜索过的关键字，该算法应为您显示10个（例如）最热门的关键字。 我知道，在以上文章中，提到了某种算法。我试图用PHP编写代码，但我认为它不会起作用。它只是找到了大多数，不是吗？ 希望您能对我有所帮助（编码示例会很棒）。

183 algorithm  tags  information-retrieval 

我正在关注第1 部分和第2 部分中可用的教程。不幸的是，作者没有时间进行最后一节，涉及使用余弦相似度实际找到两个文档之间的距离。我在stackoverflow的以下链接的帮助下关注了本文中的示例，其中包括上述链接中提到的代码（只是为了使生活更轻松） from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfTransformer from nltk.corpus import stopwords import numpy as np import numpy.linalg as LA train_set = ["The sky is blue.", "The sun is bright."] # Documents test_set = ["The sun in the sky is bright."] # Query stopWords = stopwords.words('english') vectorizer …

90 python  machine-learning  nltk  information-retrieval  tf-idf