Java字符串相似度 一个实现不同字符串相似度和距离度量的库。 当前实现了十二种算法（包括Levenshtein编辑距离和同级，Jaro-Winkler，最长公共子序列，余弦相似性等）。 查看下面的摘要表以获取完整列表... 下载 使用Maven： info.debatty java-string-similarity RELEASE 或检查。 该库需要Java 8或更高版本。 总览 下面介绍了每种已实现算法的主要特征。 “成本”列给出了计算成本的估算值，以分别计算长度为m和n的两个字符串之间的相似度。 归一化？ 公制？ 类型 成本 典型用法 距离 没有 是 O（米* n） 1 距离相似 是 没有 O（米* n） 1 距离 没有 没有 O（米* n） 1 光学字符识别 3 距离 没有 是 O（米* n） 1 3 距离 没有 没有 O（米* n） 1 相似距离 是

正交化的思想很简单，就是把需要处理的向量在其他已经处理过的向量方向上的投影去掉，然后归一化。

6、FSMC-液晶GRAM扫描方向.zip

单词纠错技术，计算单词距离方法，基于多重索引模型的词典 近似匹配算法

Gram-Schmidt正交化方法的具体定义及理论方法推论等

N-gram语言模型 简单的N-gram语言模型

word2vec Skip-Gram模型的简单实现 包括预料库 从维基百科提取出来的 。代码是python3的，可以直接运行。

用python动手简易复现了下word2vec中的skip-gram方法，并将嵌入的特征向量与TF-IDF特征和gensim提供的word2vec方法进行了简易对比。 具体内容可参考个人博客。

【转发】【引用】【论文】随着计算机技术的发展和普及，计算机病毒带来的危害日趋严重。传统 N-Gram 算法难以提取不同长度的特征，导致有效特征缺失，并产生庞大的特征集合，造成空间的浪费。针对这些问题，提出一种改进的基于 N-Gram 的特征码自动提取方法。该方法在原有 N-Gram 特征才是取算法的基础上引入变长 N-Gram 特征，才是取不同长度的有效特征，生成不定长病毒特征码。综合考虑特征频率的相关性，利用特征浓度对 N-Gram 特征进行有向筛选，生成数据字典，节省存储空间。实验结果表明，与羊纯使用定长 N-Gram 的算法相比，该方法能有效降低特征码自动提取的误报率。

基于n-gram卷积神经网络的MoRF预测