0

我是 RapidMiner 的新手...我想做的是我有一个包含 10 个文档的列表，我使用 ProcessDocuments 运算符（子任务）-> 标记化这些文档...结果是一个10 x 800 的示例集，有 10 行（每个文档一个）和 800 个属性（每个令牌一个）。

现在我想按长度过滤 800 个令牌，我再次使用 ProcessDocuments 运算符（子任务）-> FilterByLength对由前一个 ProcessDocuments 运算符生成的世界列表...结果是一个 800 乘 700 矩阵...800 来自 800 个令牌之前的 ProcessDocuments Operator 和 700 减少的令牌集。

我想要完成的是一个10 x 700 的示例集，我可以将其传递给 Kmeans 聚类算子。我怎样才能做到这一点？

谢谢

4

2 回答 2

1

我不确定您为什么要使用两个“处理文档”运算符，因为您可以在第一个运算符中添加“令牌化”和“过滤令牌（按长度）”，这应该会产生您需要的内容。

这是一个小例子。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<process version="5.3.005">
  <context>
    <input/>
    <output/>
    <macros/>
  </context>
  <operator activated="true" class="process" compatibility="5.3.005" expanded="true" name="Process">
    <process expanded="true">
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document" width="90" x="45" y="75">
        <parameter key="text" value="This is a test with a looooooooooong word"/>
      </operator>
      <operator activated="true" class="text:create_document" compatibility="5.3.000" expanded="true" height="60" name="Create Document (2)" width="90" x="45" y="165">
        <parameter key="text" value="Again a text which has anoooooooooooooother long word."/>
      </operator>
      <operator activated="true" class="text:process_documents" compatibility="5.3.000" expanded="true" height="112" name="Process Documents" width="90" x="313" y="75">
        <process expanded="true">
          <operator activated="true" class="text:tokenize" compatibility="5.3.000" expanded="true" height="60" name="Tokenize" width="90" x="45" y="30"/>
          <operator activated="true" class="text:filter_by_length" compatibility="5.3.000" expanded="true" height="60" name="Filter Tokens (by Length)" width="90" x="179" y="30">
            <parameter key="max_chars" value="10"/>
          </operator>
          <connect from_port="document" to_op="Tokenize" to_port="document"/>
          <connect from_op="Tokenize" from_port="document" to_op="Filter Tokens (by Length)" to_port="document"/>
          <connect from_op="Filter Tokens (by Length)" from_port="document" to_port="document 1"/>
          <portSpacing port="source_document" spacing="0"/>
          <portSpacing port="sink_document 1" spacing="0"/>
          <portSpacing port="sink_document 2" spacing="0"/>
        </process>
      </operator>
      <operator activated="true" class="k_means" compatibility="5.3.005" expanded="true" height="76" name="Clustering" width="90" x="447" y="75"/>
      <connect from_op="Create Document" from_port="output" to_op="Process Documents" to_port="documents 1"/>
      <connect from_op="Create Document (2)" from_port="output" to_op="Process Documents" to_port="documents 2"/>
      <connect from_op="Process Documents" from_port="example set" to_op="Clustering" to_port="example set"/>
      <connect from_op="Clustering" from_port="cluster model" to_port="result 1"/>
      <portSpacing port="source_input 1" spacing="0"/>
      <portSpacing port="sink_result 1" spacing="0"/>
      <portSpacing port="sink_result 2" spacing="0"/>
    </process>
  </operator>
</process>
于 2013-03-06T09:19:50.680 回答
0

我倾向于同意已经提供的答案；看起来它解决了问题，但是您可以执行以下操作。

  • 使用 WordList to Data 运算符将 800 字列表转换为示例集。
  • 使用 Nominal to Text 运算符将多项式单词属性的类型更改为文本。
  • 对文本属性使用 Process Documents from Data 运算符并在其中按长度过滤。

我在这里做了一些类似的东西

700字的限制很难控制。在我看来，按长度排序的单词列表不太可能在 700 处方便地截断。

于 2013-04-14T19:42:24.020 回答