关于我（Ahmed Metwalli，邮箱：sniperahmed4@gmail.com，埃及通讯工程师） 这是一个简单的代码（1 次代码），用于根据 Gram-Schmidt Orthonormalization Process 强制矩阵内的向量正交和归一化。 此代码主要用于教育案例。

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

改进的gram schmidt正交化算法，可有效应对矩阵内浮点类型的小数量级数据对正交算法的影响

在文本分类中，基于Word2Vec词向量的文本表示忽略了词语区分文本的能力，设计了一种用TF-IDF加权词向量的卷积神经网络（CNN）文本分类方法.新闻文本分类，一般只考虑正文，忽略标题的重要性，改进了TF-IDF计算方法，兼顾了新闻标题和正文.实验表明，基于加权词向量和CNN的新闻文本分类方法比逻辑回归分类效果有较大提高，比不加权方法也有一定的提高.

中文分词/宋词生成/n-gram模型/全部java源代码，课程设计报告。全部源代码，详细注释。

基于n-gram频次的语法错误自动纠正方法，杨一枭，谭咏梅，针对冠词、介词错误、名词单复数错误、动词形式错误、主谓一致错误，本文提出了一种基于n-gram投票策略的语法错误自动纠正（Grammatic

Gram-Schmidt是一种光谱锐化方法 本文查阅相关文献对该方法在图像融合方面做了全面详尽的介绍！

训练n-gram语言模型的工具包含srilm 和 tcl8.6.12.zip

n-gram概率 使用NLTK库生成的Unigram和Bigram令牌。 计算的Unigram和Bigram概率。 并显示前15个常用词。

连续词袋（CBOW） NLP中使用深度学习经常使用连续词袋（CBOW）和Skip-gram模型。 给定目标词之前和之后的上下文词范围N，它会尝试预测当前（目标）词。 此代码是PyTorch教程在以下链接的Word Embeddings的“获取密集的词嵌入”中给出的练习的实现： https://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html#getting-dense-word-embeddings 参考 有关单词嵌入的进一步研究，请阅读以下文章： 向量空间中单词表示的有效估计 word2vec解释：推导Mikolov等人的负采样词嵌入方法 单词和短语的分布式表示形式及其组成