0

我正在尝试预处理一个文本文件,其中每一行都是一个文档的双语法词,它们在该文档中的频率。这是每一行的示例:

i_like 1 你知道 2 .... not_good 1

我设法从整个语料库中创建了字典。现在我想逐行阅读语料库并拥有字典,创建文档术语矩阵,以便矩阵中的每个元素(i,j)将是文档“i”中术语“j”的频率。

4

1 回答 1

2

创建一个使用字典为每个单词生成整数索引的函数:

Dictionary<string, int> m_WordIndexes = new Dictionary<string, int>();

int GetWordIndex(string word)
{
  int result;
  if (!m_WordIndexes.TryGet(word, out result)) {
    result = m_WordIndexes.Count;
    m_WordIndexes.Add(word, result);
  }
  return result;
}

结果矩阵为:

List<List<int>> m_Matrix = new List<List<int>>();

处理文本文件的每一行会生成一行矩阵:

List<int> ProcessLine(string line)
{
  List<int> result = new List<int>();
  . . . split the line in a sequence of word / number of occurences . . . 
  . . . for each word / number of occurences . . .{
    int index = GetWordIndex(word);      
    while (index > result.Count) {
      result.Add(0);
    }  
    result.Insert(index, numberOfOccurences);
  }
  return result;
}

您一次读取一行文本文件,调用ProcessLine()每一行并将结果列表添加到 m_Matrix。

于 2012-06-05T14:11:20.443 回答