目标是评估大型文本语料库中术语之间的语义相关性，例如，“police”和“crime”应该比“police”和“mountain”具有更强的语义相关性，因为它们倾向于在相同的上下文中同时出现。
我读过的最简单的方法是从语料库中提取IF-IDF信息。
很多人使用潜在语义分析来寻找语义相关性。
我遇到了 Lucene 搜索引擎： http: //lucene.apache.org/
你认为提取IF-IDF合适吗？
在技术和软件工具方面（偏爱 Java），你会建议我做什么？
提前致谢！
穆龙
问问题
1449 次
2 回答
0
是的，Lucene 获取 TF-IDF 数据。Carrot^2算法是基于 Lucene 构建的语义提取程序的一个示例。我提到它是因为作为第一步，他们创建了一个相关矩阵。当然，您可能可以轻松地自己构建此矩阵。
如果您处理大量数据，您可能希望将 Mahout 用于更难的线性代数部分。
于 2011-05-26T18:28:47.567 回答
0
如果你有 lucene 索引，这很容易。例如，要获得相关性，您可以使用简单的公式 count(term1 and term2)/count(term1)* count(term2)。其中 count 是您搜索结果的点击次数。此外，您可以轻松计算其他语义指标，例如 chi^2、信息增益。您只需要获取公式并将其转换为countfromQuery
于 2011-10-10T14:22:56.113 回答