TextRecommended TF-IDF SVM文本分类实现 实现了三个分词接口 IK Jeseg Stanford 还是觉得Jeseg最好，自定义的空间也大 特征选取是用CHI2 语料库是搜狗

基於python的中文小说/文件tf-idf实现.zip,Term frequency–inverse document frequency for Chinese novel/documents implemented in python.

该资源包含了数据集、源码以及说明文档

文字挖掘 此代码可用于为文档分配关键字，并从文档数据库中查找单词之间的关联规则。 此外，只需稍加修改，就可以使用搜索关键字创建文档建议系统。 入门 克隆此存储库 执行textMining.py 系统将要求您提供支持和信心。 输入那些，您将获得关联规则作为输出。 就是这样。 做得好！ 先决条件 需要在计算机上安装python 3.6。 运行测试 编写代码的方式是，当您执行TextMining.py时，它将检查名为documentDatabase的文件夹并读取其中的所有.txt文件。 每个文本文件都充当一个单独的文档。 由于代码的输入应该是文档数据库，因此我们在documentDatabase文件夹中有多个文档。 读取所有文档，然后通过删除停用词来对其进行清洁。 使用词干进一步清除单词。 停用词列表可以在listOfStopWords.txt中找到 Example of stemmin

思路： 1.读取所有文章标题； 2.用“结巴分词”的工具包进行文章标题的词语分割； 3.用“sklearn”的工具包计算Tf-idf（词频-逆文档率）; 4.得到满足关键词权重阈值的词 结巴分词详见：结巴分词Github sklearn详见：文本特征提取——4.2.3.4 Tf-idf项加权 import os import jieba import sys from sklearn.feature_extraction.text import TfidfVectorizer sys.path.append(../) jieba.load_userdict('userdictTest.t

基于N-Gram和TF-IDF的URL特征提取系统的研究与实现，葛峰，罗守山，针对web的日志分析通常会对URL进行特征提取，由于URL中可能包含未解码参数，直接使用传统特征提取算法对其进行特征提取会造成提取出

主要为大家详细介绍了TF-IDF与余弦相似性的应用，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

简单搜索引擎的设计与实现，该搜索引擎可以搜索c:\documents\下从00.txt-31.txt的32个英文txt文件，采用空格作为分词技术，没有去掉虚词。-s为远程搜索，-l为本地搜索，远程搜索请确保系统安装了IIS并把32个文本文件按原名（00.txt-31.txt）放到c:\wwwroot下。 只是一个做着玩的小东西，用来体会一下TFIDF算法而已。 havefun.c0de4fun

kNN(k-nearest neighbors algorithm) 此专案以新闻分类进行kNN范例之实作 kNN Introduction: 最近鄰居法（KNN演算法，又譯K-近鄰演算法）是一種用於分類和回歸的無母數統計方法，KNN常用來做資料分類。 KNN是一種監督式學習(Supervised Learning)，監督式學習需透過資料訓練出一個model，但KNN沒有做training的動作。 K為使用者自己定義的常數，KNN就是選擇離自己最近的K的鄰居(Data)，之後觀察哪一種類別(Tag)的鄰居最多就將自己也當成該類別。 Input: 测试文章: 1.使用ETtoday新聞作為訓練集分類。 2.使用Jieba作為分詞，取出Top 100 Words 作為每篇文章的關鍵詞。 3.取出k=3個最近鄰居作為分類依據，此外對最近的第一個鄰居作為加權*2 Output:

利用TF-IDF策略的中文文本分类算法比较，刘昕玥，王敬，本文基于TF-IDF特征选取方法，分别使用朴素贝叶斯、随机森林与支持向量机算法对中文文本语料库进行分类实验。实验表明，支持向量机