文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
2023/2/8 18:37:14
3.39MB
1
Web存储缓存语言见WebStorageCache对HTML5localStorage和sessionStorage进行了扩展，添加了超时时间，序列化方法。
可以直接存储json对象，同时可以非常简单的进行超时时间的设置。
优化：WebStorageCache自动清除访问的过期数据，避免了过期数据的累积。
另外也提供了清除全部过期数据的方法：wsCache.deleteAllExpires();用法最新的WebStorageCache。
npm下载npminstallweb-storage-cache--save-dev使用WebStorageCache，只需在页面上发布以下代码即可。
<scriptsrc="src/web-storage-cache.js"></script><script>//createWebStorageCac
可以直接存储json对象，同时可以非常简单的进行超时时间的设置。
优化：WebStorageCache自动清除访问的过期数据，避免了过期数据的累积。
另外也提供了清除全部过期数据的方法：wsCache.deleteAllExpires();用法最新的WebStorageCache。
npm下载npminstallweb-storage-cache--save-dev使用WebStorageCache，只需在页面上发布以下代码即可。
<scriptsrc="src/web-storage-cache.js"></script><script>//createWebStorageCac
2023/2/4 2:13:03
70KB
1
ssm(spring+springmvc+mybatis+maven)高仿bilibili视频网站项目实例里面包含论坛，购物商城网页后台管理的java项目集成演示地址：http://106.75.216.49/bilibili/(服务器不太稳定，可以尝试刷新，感激大佬捐赠的服务器费用)开发环境：Eclipse，JDK1.8，Tomcat7视频连接地址链接:https://pan.baidu.com/s/1c3gjVPY密码:rwym↑↑视频的地址放到webapp/static/videolook这个目录下面注意事项1.静态static目录必须在源码目录的webapps下//视频截图目录bilibili\src\main\webapp\static\videolook\videolookimg//视频文件mp4目录bilibili\src\main\webapp\static\videolook//js，css，图片静态资源文件目录bilibili\src\main\webapp\static2.需要修改2处数据库配置bilibili\src\main\resources\jdbc.properties和com.sf.chaxun.Callingmethod.java3.如果启动时还是抛出数据库连接失败，是因为jdbc.properties环境变量username被覆盖为电脑的用户名所致，可以修改为datasource.connection.username
2023/2/4 2:25:19
54.16MB
1
Grbl带有说明文旦的源代码，经典！特别引荐！config.hcoolant_control.ccoolant_control.hCOPYINGdefaults.hdoceeprom.ceeprom.hgcode.cgcode.hlimits.climits.hmain.cMakefilemotion_control.cmotion_control.hnuts_bolts.cnuts_bolts.hpin_map.hplanner.cplanner.hprint.cprint.hprotocol.cprotocol.hREADME.mdreport.creport.hscriptserial.cserial.hsettings.csettings.hspindle_control.cspindle_control.hstepper.cstepper.h
2023/2/3 19:37:42
108KB
1
本系统基于NetBeans和MYsql开发，想学Swing的最佳源码！使用方法：解压后一个Hotel文件夹和Hotel.sql，在MYsql创建数据库导入Hotel.sql，Netbean是直接打开项目找到Hotel文件夹即可!SRC为所有java文件的源码，请留意修改DB包下的数据库连接文件～
2017/4/12 20:58:08
3.04MB
1
亲测可用#wechatshop微信小程序商城完整版-[API服务端源码](server_api)-[微信小程序端源码](wxss_src)-[API服务端演示快照](docs/admin_snapshot.md)-[微信小程序端演示快照](docs/wxshop_snapshot.md)##小程序服务端server_api部署方法-PS:留意，你的服务器一定要支持urlrewrite模式，且PHP版本最好是PHP5.6，支持PHP7.0;
2022/12/5 17:46:59
111.66MB
1
寻找可共享的组件模板？去这里-＞苗条的应用程序这是应用程序的项目模板。
它位于。
要使用基于此模板创建一个新项目：npxdegitsveltejs/templatesvelte-appcdsvelte-app请留意，您将需要安装开始吧安装依赖项...cdsvelte-appnpminstall...然后开始：npmrundev导航到。
您应该看到您的应用正在运行。
在src编辑组件文件，将其保存，然后重新加载页面以查看所做的更改。
默认情况下，服务器将仅响应来自本地主机的请求。
要允许来自其他计算机的连接，请编辑package.json中的sirv命令以包括选项--host0.0.0.0。
如果您使用的是，建议您安装官方扩展。
如果使用其他编辑器，则可能需要安装插件才能突出显示语法和智能感知。
以生产模式构建和运行
它位于。
要使用基于此模板创建一个新项目：npxdegitsveltejs/templatesvelte-appcdsvelte-app请留意，您将需要安装开始吧安装依赖项...cdsvelte-appnpminstall...然后开始：npmrundev导航到。
您应该看到您的应用正在运行。
在src编辑组件文件，将其保存，然后重新加载页面以查看所做的更改。
默认情况下，服务器将仅响应来自本地主机的请求。
要允许来自其他计算机的连接，请编辑package.json中的sirv命令以包括选项--host0.0.0.0。
如果您使用的是，建议您安装官方扩展。
如果使用其他编辑器，则可能需要安装插件才能突出显示语法和智能感知。
以生产模式构建和运行
2018/3/24 2:04:02
69KB
1
寻找可共享的组件模板？去这里-＞苗条的应用程序这是应用程序的项目模板。
它位于。
要使用基于此模板创建一个新项目：npxdegitsveltejs/templatesvelte-appcdsvelte-app请留意，您将需要安装开始吧安装依赖项...cdsvelte-appnpminstall...然后开始：npmrundev导航到。
您应该看到您的应用正在运行。
在src编辑组件文件，将其保存，然后重新加载页面以查看所做的更改。
默认情况下，服务器将仅响应来自本地主机的请求。
要允许来自其他计算机的连接，请编辑package.json中的sirv命令以包括选项--host0.0.0.0。
如果您使用的是，建议您安装官方扩展。
如果使用其他编辑器，则可能需要安装插件才能突出显示语法和智能感知。
以生产模式构建和运行
它位于。
要使用基于此模板创建一个新项目：npxdegitsveltejs/templatesvelte-appcdsvelte-app请留意，您将需要安装开始吧安装依赖项...cdsvelte-appnpminstall...然后开始：npmrundev导航到。
您应该看到您的应用正在运行。
在src编辑组件文件，将其保存，然后重新加载页面以查看所做的更改。
默认情况下，服务器将仅响应来自本地主机的请求。
要允许来自其他计算机的连接，请编辑package.json中的sirv命令以包括选项--host0.0.0.0。
如果您使用的是，建议您安装官方扩展。
如果使用其他编辑器，则可能需要安装插件才能突出显示语法和智能感知。
以生产模式构建和运行
2016/10/6 8:28:16
69KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB