文档帮助中心文档
词袋模型或LDA主题中最重要的词
顶级词汇(包)
TBL = topkwords(包,k)
tbl = topkwords(lddamdl,k,topicIdx)
TBL =热门词汇(___、名称、值)
例子
资源描述= topkwords (袋)返回单词袋模型中单词数最多的五个单词的表格袋.缺省情况下,该函数区分大小写。
资源描述= topkwords (袋)
资源描述
袋
资源描述= topkwords (袋,k)属性的表k字数最多的单词。缺省情况下,该函数区分大小写。
资源描述= topkwords (袋,k)
k
资源描述= topkwords (ldaMdl,k,topicIdx)属性的表k潜在狄利克雷分配(LDA)主题中概率最高的单词topicIdxLDA模型ldaMdl.
资源描述= topkwords (ldaMdl,k,topicIdx)
ldaMdl
topicIdx
资源描述= topkwords (___,名称,值)使用一个或多个名称-值对参数指定其他选项。
资源描述= topkwords (___,名称,值)
名称,值
全部折叠
创建单词袋模型中出现频率最高的单词表。
加载示例数据。该文件sonnetsPreprocessed.txt包含莎士比亚十四行诗的预处理版本。该文件每行包含一首十四行诗,用空格分隔单词。从中提取文本sonnetsPreprocessed.txt,以换行符将文本分割为文档,然后对文档进行标记。
sonnetsPreprocessed.txt
文件名=“sonnetsPreprocessed.txt”;str = extractFileText(文件名);textData = split(str,换行符);documents = tokenizedDocument(textData);
使用创建单词袋模型bagOfWords.
bagOfWords
bag = bagOfWords(文档)
带有属性的单词:[154x3092 double]词汇:["最公平的" "生物" "欲望"…NumWords: 3092 NumDocuments: 154
找出排名前五的单词。
T = topkwords(包);
找出模型中排名前20的单词。
K = 20;T = topkwords(包,k)
T =20×2表字数统计________ _____“你的”281“你”234“爱”162“你”161“做”88“我的”63“应”59“眼睛”56“甜蜜”55“时间”53“美”52“也”52“艺术”51“但“51”o“50”心“50”50“
创建一个LDA主题概率最高的单词表。
若要重现结果,请设置rng来“默认”.
rng
“默认”
rng (“默认”)
bag = bagOfWords(文档);
拟合20个主题的LDA模型。若要抑制详细输出,请设置“详细”为0。
“详细”
numTopics = 20;mdl = fitlda(包,numTopics,“详细”, 0);
找出第一个主题的前20个单词。
K = 20;topicIdx = 1;tbl = topkwords(mdl,k,topicIdx)
台=20×2表单词分数________ _________“眼睛”0.11155“美”0.05777“有“0.055778”还“0.049801”真“0.043825”矿“0.033865”找“0.031873”黑“0.025897”看“0.023905”是“0.023905”种“0.021913”见“0.021913”发现“0.017929”罪“0.015937”三“0.013945”金“0.0099608”\
找到第一个主题的前20个单词,并对分数使用逆平均缩放。
tbl = topkwords(mdl,k,topicIdx,“缩放”,“inversemean”)
台=20×2表单词分数________ ________“眼睛”1.2718“美丽”0.59022“有“0.5692”仍然“0.50269”真“0.43719”矿“0.32764”找到“0.32544”黑“0.25931”是“0.23755”看“0.22519”种“0.21594”见“0.21594”发现“0.17326”罪“0.15223”三“0.13143”金“0.090698”相关
使用缩放分数作为大小数据创建一个词云。
图wordcloud (tbl.Word tbl.Score);
输入单词袋模型,指定为bagOfWords对象。
要返回的字数,指定为正整数。
例子:20.
ldaModel
输入LDA模型,指定为ldaModel对象。
LDA主题的索引,指定为非负整数。
的可选逗号分隔对名称,值参数。的名字参数名称和价值对应的值。的名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家.
的名字
价值
Name1, Value1,…,的家
“缩放”、“inversemean”
IgnoreCase
假
真正的
选项忽略大小写,指定为逗号分隔的对,由“IgnoreCase”和以下其中之一:
“IgnoreCase”
假-将仅因大小写而不同的单词视为单独的单词。
真正的-将大小写不同的单词视为同一个单词,合并计数。
此选项仅支持单词袋输入。金宝app
ForceCellOutput
指示符,用于强制输出作为单元格数组返回,指定为逗号分隔的对,由“ForceCellOutput”而且真正的或假.
“ForceCellOutput”
数据类型:逻辑
逻辑
扩展
“没有”
“inversemean”
缩放以应用于主题词概率,指定为由逗号分隔的对组成“缩放”和以下其中之一:
“缩放”
“没有”-返回后验单词概率。
“inversemean”-通过该词在所有主题上的后验概率的几何平均值,归一化每个主题的后验词概率。函数使用公式φ。*(日志(φ)意味着(日志(φ),1)),在那里φ对应于ldaMdl。TopicWordProbabilities.
φ。*(日志(φ)意味着(日志(φ),1))
φ
ldaMdl。TopicWordProbabilities
此选项仅支持LDA模型输金宝app入。
例子:“缩放”、“inversemean”
数据类型:字符
字符
表顶部的单词排序的重要性或单元格数组的表。
当输入是单词袋模型时,表有以下列:
词
数
如果袋是非标量数组还是“ForceCellOutput”是真正的,则该函数将输出作为表格单元格数组返回。单元格数组中的每个元素都是一个表,其中包含的对应元素的顶部单词袋.
当输入为LDA模型时,表中有以下列:
分数
要找到n-grams袋模型中最常见的n-grams,请使用topkngrams.
topkngrams
bagOfWords|bagOfNgrams|removeInfrequentWords|removeWords|topkngrams|tfidf|ldaModel|tokenizedDocument
bagOfNgrams
removeInfrequentWords
removeWords
tfidf
tokenizedDocument
この例の変更されたバ,ジョンがあります.編集された方の例を開きますか?
次のmatlabコマンドに対応するリンクがクリックされました。
コマンドをmatlabコマンドウィンドウに入力して実行してください。Webブラウザ,はMATLABコマンドをサポ,トしていません。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处