- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI那点小事
算法提高 9-2 文本加密
问题描述 先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符：”A”转化”B”，”B”转化为”C”，… …”Z”转化为”a”，”a”转化为”b”,… …, “z”转化为”A”，其它字符不加密。编写程序，加密给定字符串。 样例输出 与上面的样例输入对应的输出。 例：
60840发布于 2020-04-20 - 来自专栏Lan小站
试题 算法提高 9-2 文本加密
先编写函数EncryptChar,按照下述规则将给定的字符c转化（加密）为新的字符："A"转化"B"，"B"转化为"C"，... ..."Z"转化为"a"，"a"转化为"b",... ..., "z"转化为"A"，其它字符不加密。编写程序，加密给定字符串。
33220编辑于 2022-07-13 - 来自专栏yuyy.info技术专栏
第十周算法提高9-2文本加密
本文最后更新于 1163 天前，其中的信息可能已经有所发展或是发生改变。 #include<iostream> using namespace std; int main(){ char arr[55]; int i=0; cin>>arr; while(arr[i]!='\0'){ if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='A')arr[i]='B'; else if(arr[i]=='B')arr[i]='C'; else if(a
39510编辑于 2022-06-28 - 来自专栏爬蜥的学习之旅
文本获取和搜索引擎简介
根据句法本身去推断为什么这样做，理解为什么有人这样描述，比如可能是想让某人把狗唤回来，以免男孩被狗伤着 Bag of words:保留所有的单词，重复的也会保留，但是不关心单词在生个句子中出现的顺序 文本获取的分类 类似搜索引擎的Pull模型：用户拥有主动权，它具有Ad hoc属性，就是说暂时性的需要，后续不再使用，比如搜索到某个关键字的文档后，这个关键字就不再被使用 查询和浏览的区别：查询是用户知道搜索什么， 浏览是将内容放置供人查看，而不是查询 类似推荐系统的Push模型：系统拥有主动权，一个良好的推荐系统能够给用户推送它真正需要的信息 文本获取的方式 用户给定查询关键字在既有的数据集里头搜索出想要的结果以供浏览 文本获取的方式一般有两种： 第一是 document selection，即根据某种函数f给查询q和文件d作用后的结果来分类，[f(q,d)=1 / 0]，明确把文档分隔开，要么完全相关，要么完全不相关 ； 第二是 Ranking，它是计算相关性，并依次排列顺序，关键在于如何说明某个文件的相关性比另一个的相关性更大，当相关性大于某个阈值的时候就返回匹配的文件[ f(q,d)>THETA] 文本获取(Text
1K30发布于 2019-07-09 - 来自专栏mysql
hhdb数据库介绍(9-2)
参数包括： 数据节点：默认根据之前填写的参数生成，可修改 存储节点类型：默认根据之前填写的参数生成，可修改 存储节点组：默认根据之前填写的参数生成，可修改 存储节点名称：默认勾选自动生成，也可以取消勾选后在文本框中输
56110编辑于 2024-11-28 - 来自专栏机器学习算法原理与实践
文本主题模型之潜在语义索引(LSI)
在文本挖掘中，主题模型是比较特殊的一块，它的思想不同于我们常用的机器学习算法，因此这里我们需要专门来总结文本主题模型的算法。本文关注于潜在语义索引算法(LSI)的原理。 1. 潜在语义索引(LSI)概述 潜在语义索引(Latent Semantic Indexing,以下简称LSI)，有的文章也叫Latent Semantic Analysis（LSA）。 image.png 如果把上式用到我们的主题模型，则SVD可以这样解释：我们输入的有m个文本，每个文本有n个词。 也可以反过来解释：我们输入的有m个词，对应n个文本。而$A_{ij}$则对应第i个词档的第j个文本的特征值，这里最常用的是基于预处理后的标准化TF-IDF值。k是我们假设的主题数，一般要比文本数少。 LSI用于文本相似度计算 在上面我们通过LSI得到的文本主题矩阵可以用于文本相似度计算。而计算方法一般是通过余弦相似度。比如对于上面的三文档两主题的例子。
1.8K20发布于 2018-08-07 - 来自专栏让技术和时代并行
lucene给文本索引和搜索功能的应用
lucene允许你往程序中添加搜索功能，lucene能够把你从文本中解析出来的数据进行索引和搜索 ，lucene不关心数据来源 甚至不关心语种，不过你需要把它转换成文本格式。 也就是说你可以搜索 html网页，文本文档，word文档 ，pdf，或者其他一些 总之 只要能够提取出文本信息的即可。 ， 而每个field相当于我们的表名 ，它能够对文本进行自动处理去掉里面的一些语气词，它能把你规定的域当作关键词来进行索引 以备查询时使用，lucene比较容易使用 ，但是不如数据库灵活，速度很快。 list.add(doc.get("contents")); } reader.close(); return list; } } //这里我主要给文档中的文本进行添加了索引 ，你也可以在Field 中给路径 等等一些属性进行添加索引 具体你可以搜索lucene api 进行使用 里面的一些方法。
1.1K30发布于 2019-04-16 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-2 逻辑回归的损失函数
本系列是《玩转机器学习教程》一个整理的视频笔记。在上一小节介绍了逻辑回归的大致框架，有了大致框架就需要建模来求解参数θ值。本小节重点介绍逻辑回归的损失函数。
1.4K10发布于 2020-02-26 - 来自专栏爬蜥的学习之旅
文本获取和搜索引擎的概率模型
coursera课程 text retrieval and search engine 第四周 推荐。
1.4K30发布于 2019-07-09 - 来自专栏爬蜥的学习之旅
文本获取和搜索引擎之推荐系统
推荐系统即把恰当的内容推送给用户，类似于在一系列文档中过滤出用户想要的。一般有两种方式:
80631发布于 2019-07-09 MySQL 中的全文索引：强大的文本搜索利器
一、什么是全文索引？全文索引是一种特殊类型的索引，它允许我们在文本字段中进行快速的全文搜索。 与传统的索引不同，全文索引不是基于特定的列值进行索引，而是对文本内容进行分析和索引，以便能够快速地找到包含特定关键词的记录。 二、全文索引的工作原理 文本分析 当我们在 MySQL 表中创建全文索引时，MySQL 会对被索引的文本字段进行分析。 经过分析后的文本被存储在全文索引中，以便后续的搜索操作。 索引构建 在分析完文本后，MySQL 会构建全文索引。全文索引通常是一种倒排索引结构，它将每个单词与包含该单词的记录列表相关联。 MySQL 中的全文索引是一种非常强大的功能，它可以帮助我们在大量文本数据中进行快速的全文搜索。
1.7K00编辑于 2025-02-17- 来自专栏爬蜥的学习之旅
文本获取和搜索引擎中的反馈模型
coursera课程 text retrieval and search engine 第五周 推荐。
2.5K30发布于 2019-07-09 - 来自专栏信数据得永生
django 1.8 官方文档翻译：9-2 本地特色附加功能
由于历史因素，Django自带了django.contrib.localflavor – 各种各样的代码片段，有助于在特定的国家地区或文化中使用。为了便于维护以及减少Django代码库的体积，这些代码现在在Django之外单独发布。
38940编辑于 2022-11-27 - 来自专栏沈唁志
文本处理，第2部分：OH，倒排索引
这是我的文本处理系列的第二部分。在这篇博客中，我们将研究如何将文本文档存储在可以通过查询轻松检索的表单中。我将使用流行的开源Apache Lucene索引进行说明。 系统中有两个主要的处理流程... 文档索引：给定一个文档，将其添加到索引中 文档检索：给定查询，从索引中检索最相关的文档。 下图说明了这是如何在Lucene中完成的。 p1.png 指数结构 文档和查询都以一句话表示。 为了控制文档在其包含字段中的索引方式，可以用多种方式声明一个字段，以指定是否应该分析它（索引期间的预处理步骤），索引（参与索引）还是存储（如果是它需要在查询结果中返回）。 关键字（未分析，索引，存储） 未编入索引（未分析，未索引，已存储） 未存储（分析，索引，未存储） 文本（分析，索引，存储） 倒排索引是存储的核心数据结构。 （这可以使Web API检索某些文本输出，抓取网页或接收HTTP文档上载）。这可以以批处理或在线方式完成。当索引处理开始时，它解析每个原始文档并分析其文本内容。典型的步骤包括...
3K40发布于 2018-06-04 - 来自专栏ShowMeAI研究中心
带你快速构建基础文本搜索引擎 ⛵
图片本文使用tf-idf（词频-逆文件频率）、lsi（潜在语义索引）和 doc2vec(文档向量化嵌入)这3种最基础的NLP文档嵌入技术，对文本进行嵌入操作（即构建语义向量）并完成比对检索，构建一个基础版的文本搜索引擎 （即构建语义向量）并完成比对检索，完成一个基础版的文本搜索引擎。 图片 文档嵌入技术文档嵌入（doc embedding）方法能完成文本的向量化表示，我们可以进而将文本搜索问题简化为计算向量之间相似性的问题。 我们把『搜索词条』和『文档』都转换为向量（同一个向量空间中）之后，文本比较与检索变得容易得多。图片搜索引擎根据『文档』与『搜索词条』的相似度对文档进行评分与排序，并返回得分最高的文档。 几行代码就可以构建一个基于 tfidf 的原始搜索引擎。
1.1K41编辑于 2022-08-26 - 来自专栏NebulaGraph 技术文章
Nebula 基于 ElasticSearch 的全文搜索引擎的文本搜索
[Nebula 基于全文搜索引擎的文本搜索] 1 背景 Nebula 2.0 中已经支持了基于外部全文搜索引擎的文本查询功能。 另外，如果将 Nebula 索引的存储模型设计为适合文本搜索的倒排索引模型，那将背离 Nebula 索引初始的设计原则。 2 目标 2.1 功能 2.0 版本我们只对 LOOKUP 支持了文本搜索功能。也就是说基于 Nebula 的内部索引，借助第三方全文搜索引擎来完成 LOOKUP 的文本搜索功能。 数据查询性能：刚刚我们提到了，如果不借助第三方全文搜索引擎，Nebula 的文本搜索将是一场噩梦。 4.3 查询逻辑 [Nebula 基于全文搜索引擎的文本搜索] 由上图可知，其文本搜索的关键步骤是 “Send Fulltext Scan Request” → "Fulltext Cluster" →
1.8K00发布于 2021-06-17 - 来自专栏爬蜥的学习之旅
文本获取与搜索引擎中的TF,TF-IDF
这样看来，需要更好的方式来对长文本做出”惩罚”。另外需要考虑到的是，长文档可能存在两种情况，1是仅仅用了过多的词，2是有很多描述主题的内容，这是不希望有惩罚的。 这里b是一个变量，当b=0，文档长度被忽略，当b非0，|d|（文档长度）越大，权值反而越小，也就得到了”惩罚”长文档的目的,当文档太短时，如果包含查询关键字，很有可能主题就是这些，起到适当的激励作用 文本获取 (TR)的一般架构 tokenization：词提取，确定好词的边界，把相近意思的词映射到同一个 index ：将文档转换成易于检索的数据结构，一般使用倒排索引(用一个字典存储文档的部分统计信息，比如当前词一共出现在了多少个文档
82410编辑于 2024-02-05 - 来自专栏林雍岷
在ROBOTS文本设置SITEMAP路径并提交到搜索引擎
在ROBOTS TXT文本设置XML网站地图路径很重要，这将有利于谷歌轻松地找到你的网站地图，并加快搜索引擎编制索引网站的速度。 这讲将介绍如何把sitemap.xm文本映射到robots.txt文件，再把网站地图信息PING到搜索引擎。 提交网站地图到搜索引擎 将网站地图添加到robots.txt可让谷歌和其它机器人轻松找到抓取网站地图的方法，否则你需要在每次更新时提交更新内容。 下面介绍使用PING的方法提交网站地图到搜索引擎，告诉搜索引擎我的网站地图已经改变。 sitemap=http://你的网站地图路径.com/sitemap.xml 下图是提交林雍岷博客网站地图 使用PING的方法提交网站地图到搜索引擎绝对不能够代替通过网站管理员控制台提交给搜索引擎的方法
2.5K40发布于 2019-07-03 - 来自专栏图像处理与模式识别研究所
超神奇的AI搜索引擎Magi，自主阅读文本并纠错。
1、点击[magi] 2、点击[问题/关键词/表达式] 3、按<Enter>键 4、点击[magi搜索] 5、点击[magi搜索]
69820编辑于 2022-05-28 - 来自专栏程序编程之旅
JavaScript---网络编程(9-2)--DHTML技术演示(2-2)-表格加强
现在我们觉得上面的不好，只能从小到大排序，而且排序后颜色也变了。不好看，现在我们来对它进行改进。
90810发布于 2021-01-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号