回答情况：
提问时间：
问题标签：
1回答
除了nltk附带的语料库之外，我还想用我自己的语料库来训练它，该语料库遵循相同的词性规则。如何找到它正在使用的语料库，以及如何添加我自己的语料库(另外，不是作为替代)？
浏览 2修改于2015-03-11得票数 1
回答已采纳
我想知道如何计算密码分布的熵，它由一个或多个子规则组成，这些子规则是从已知分布中提取的。下面是一些需要计算的例子。1.简单8字符密码2.从流行文化从10,000,000词组语料库中选出5个词组3.带有附加“强度”规则从
浏览 0提问于2023-01-19得票数 -1
Iramuteq和Alceste是文本挖掘程序(在法国仍然非常流行)，它们处理格式奇怪的txt文件:语料库中的每个文档都必须以*开头，然后每个语料库变量都必须编码为*variablename_value(遵守一些格式规则)，并且要分析的文本必须在新行上。country_france**** year_2021 country_germany如何将文本和语料库变量作为列的数据帧转换为这种格式
浏览 0提问于2021-11-28得票数 0
我想使用word2vec用当前版本的英文维基百科创建我自己的词向量语料库，但我找不到使用该程序的命令行参数的解释。在demp-script中，您可以找到以下内容：makewget http://mattmahoney.net/dc/text8.zip -O text8.gzfi
time .1e
浏览 3修改于2015-10-18得票数 3
使用tm语料库加载一堆文档，我需要指定编码。docs <- Corpus(DirSource(cname), encoding ="UTF-8"
浏览 5修改于2016-05-17得票数 0
回答已采纳
我有一个语料库，我已经将其转换为通用语言，但其中一些单词没有正确转换为英语。因此，我的语料库包含非ASCII码字符，比如U+00F8。EUCorpus <- corpus(textfile(file="/Users/RiohBurke/Documents/RStudio/PROJECT/*.txt"), encodingFrom = "UTF-8-BOM")
我的语料库由166个文档组成。
浏览 0修改于2019-08-16得票数 5
我有一个23000文件的语料库，需要分为5个不同的类别。我没有任何标签数据可供我使用，只是自由格式的文本文档和标签(是的，一个词的标签，而不是主题)。所以我采用了两步的方法：以某种方式，使用这些标记的数据来标识其他文档的标签。对于步骤2，我尝试了以下方法：
对分类数据进行主题建模，使用规则提取重要术语，使用重要术语对其余文档进行标记。
浏览 0提问于2020-08-26得票数 0
我用nltk附带的棕色语料库来训练一个“部分句子”标签。我们得到了预期的输出：
它不能标记这些单词，因此它给它们添加了None标签：
(那个，没有)，(‘任何’，没有)，(‘违规’
浏览 4修改于2017-08-23得票数 3
回答已采纳
1回答
当我试图将stemCompletion应用于一个语料库时，这个函数会生成NA值。removePunctuation) (结果之一是：[2584]分区计划)但结果是下一步应该是创建带有事务的关联矩阵，然
浏览 2修改于2013-09-13得票数 2
假设我有一个短句语料库，字数从1到500个左右，平均字数在9个左右。如果我用Word2vec (默认情况下)训练Gensim window=5模型，我应该全部使用这些句子吗？如果是这样的话，是否有一个经验规则的最低字数？
浏览 2提问于2021-05-13得票数 0
回答已采纳
我想阅读Java语言中的"text8“语料库，并重新格式化一些单词。问题是，在这个100MB的语料库中，所有的单词都在一行上。所以我的问题是:在Java中，是否可以逐行阅读语料库，而不是逐字阅读？例如，因为所有单词都在一行上，所以每次迭代读取100个单词？
浏览 0修改于2015-11-10得票数 6
我正在开发一个例程来自动定义几个语料库 quanteda ..。我有几个控制脚本的参数，其中一个是将要生成的语料库的名称。我可以使用下面的函数轻松地以编程方式创建语料库 但我完全没有添加任何 文档变量 为它干杯。 一旦我定义了语料库，我通常会通过函数在整个代码中调用它 ..。我已经相当广泛地使用了这种方法，并取得了成功。请看下面的简单代码，我在其中定义了语料库，然后尝试将一个docvar与其关联。consisting of 2 documents, showing 2 documents:
浏览 22提问于2021-02-18得票数 1
回答已采纳
然而，这项工作发现，我需要语料库中的文档I来匹配数据帧中的文档I。文档ids存储在原始数据帧中的单独列中。df <- as.data.frame(t(rbind(c(1,3,5,7,8,10), library("tm")corpus <- Corpus(VectorSource(d
浏览 2修改于2013-02-13得票数 2
回答已采纳
我想用nltk快速地为语料库建立一个单词查找表。以下是我正在做的事情：
使用a=nltk.word_tokenize(文件)获取所有令牌；
浏览 1修改于2015-03-27得票数 2
回答已采纳
我有一个短文语料库(大约5000句)，它构成了一个大约2000字的词汇表。我使用Gensim构建了一个Word2Vec模型，但是来自most_similar的输出看起来并不合理。是因为我词汇量不够吗？如果是的话，是否有关于词汇表大小的大拇指规则？
浏览 5修改于2021-02-19得票数 0
回答已采纳
1回答
我试图从语料库中删除较长(>25个标记)和较短(<4个标记)的句子，并删除包含出现次数少于8次的罕见单词的句子。我试图删除它，但每次尝试都会收到错误消息或空列表。语料库是棕色语料库。
浏览 5修改于2021-03-09得票数 0
回答已采纳
我必须做一个解析:目标是创建一个将应用于语料库的语法规则。我有一个问题:有可能在语法中列出一个列表吗？
浏览 1提问于2017-08-31得票数 1
回答已采纳
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