LatentDirichletAllocation(LDA)是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（documentcollection）或语料库（corpus）中潜藏的主题信息。
此文档是LDA论文的翻译。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（documentcollection）或语料库（corpus）中潜藏的主题信息。
此文档是LDA论文的翻译。
2023/12/8 20:43:03
498KB
1
美国当代英语语料库COCA词频20000高频2W（完整）格式：pdf,word文档,txt,excel文档
2023/11/29 1:47:13
15.76MB
1
用于HMM中文分词训练，代码可以参见：https://blog.csdn.net/qq_38593211/article/details/81637029
2023/11/17 22:16:09
16.62MB
1
中文文本分类语料（复旦）-训练集和测试集这个链接是训练集，本语料库由复旦大学李荣陆提供。
test_corpus为测试语料，共9833篇文档；
train_corpus为训练语料，共9804篇文档，两个预料各分为20个相同类别。
训练语料和测试语料基本按照1:1的比例来划分。
使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。
文件较大，下载时请耐心等待。
test_corpus为测试语料，共9833篇文档；
train_corpus为训练语料，共9804篇文档，两个预料各分为20个相同类别。
训练语料和测试语料基本按照1:1的比例来划分。
使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然语言处理小组）。
文件较大，下载时请耐心等待。
2023/11/10 13:33:38
101.81MB
1
实现文本分类的主要包括几个步骤文本分词处理，特征选择，特征权重计算，文本特征向量表示，基于训练文本的特征向量数据训练SVM模型，对于测试集进行特征向量表示代入训练得到的svm模型中进行预测分类，达到93%的准确率
2023/11/8 2:28:34
26.06MB
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