java知道一个方法怎么在api中查询这个方法_百度知道
java知道一个方法怎么在api中查询这个方法
题：比知道valueOf（）我要api查找应该查询神些要喷我本菜鸟枚
提问者采纳
找文版API 直接搜索行缀名 CMD 简单
我有1.6中文版本的了问题是我在api中查询valueof（）这个方法就查不到
包装类&都有的&String.valueof()&你查String&&类的资料
大神我才刚学习java我就大概可以看懂别人的代码！可是如果我看其他代码不清楚里面的方法是那个类的我该怎么查？
用eclipse 快捷键 也可以追踪到,Ctrl+加鼠标左键
提问者评价
谢谢大大！
其他类似问题
为您推荐：
其他3条回答
首先要搞清楚哪包（接触eclipse工具）再API找
从类查起比如 Integer.valueOf();查Integer &找到对应方法
大神我才刚学习java我就大概可以看懂别人的代码！可是就如你所说要从类开始查的话我就完全不知道valueof这个方法在什么类里面。
找到对应单词儿！如果实在想找方法建议直接谷歌搜索更方便些
java的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁网站上的文字怎么粘贴下来？_百度知道
网站上的文字怎么粘贴下来？
网站文章粘贴 5我网看几篇文章想粘mp3看毕竟电脑携带便网站能全选能复制字拉点点能整网页贴MP3MP3看要借助电脑请高手帮忙文字全弄MP3
、屏蔽右键破解1．现版权信息类情况破解：页面目标按鼠标右键弹限制窗口要松右键鼠标指针移窗口确定按钮同按左键现松鼠标左键限制窗口关闭再鼠标移目标松鼠标右键
2．现添加收藏夹情况破解：目标点鼠标右键现添加收藏夹窗口要松右键要移鼠标使用键盘Tab键移光标取消按钮按空格键窗口消失松右键看看wonderful右键恢复雄风鼠标移想要功能点击左键吧3．超链接用鼠标右键弹新窗口打菜单情况破解：用面两种破解看看招：超链接点鼠标右键弹窗口要松右键按键盘空格键窗口消失松右键右键菜单现选择其新窗口打４　浏览器点击查看菜单源文件命令看html源代码网页使用框架能看框架页面代码灵办按键盘Shift+F10组合键试试５　看见键盘右Ctrl键左边键按试试右键菜单直接现６　屏蔽鼠标右键页面点右键现限制窗口要松右键用左手按键盘ALT+F4组合键窗口关闭松鼠标右键菜单现二、能复制网页解决１　启IE浏览器用鼠标点击工具Internet选项菜单选择安全选项卡接点击自定义级别按钮弹窗口所脚本全部选择禁用确定按F5刷新页面我能够网页内容进行复制、粘贴等操作收集自需要内容再用相同步骤给网页脚本解禁影响我浏览其网页或者选文件另存格式TXT排版２　左键限制让拖选择内容办简单点右键点查看源文件前东东全部DEL点另存*HTM打拖３　点??查看 ----原文件----使用替换替换空格再保存htm格式文件注意文件名两要加英文字符&&或保存类型拉列表选择所类型文件名例&001.htm&或者直接IE选择文件保存或另存４　保存文字备查阅简单快速另存Web页仅HTML类型选‘文件’菜单‘另存’命令鼠标点击‘保存类型’框右边三角选第三种‘Web页仅HTML’类型‘保存’框处选择要存放位置选‘保存’按钮即该网页保存电脑（种保存缺点保存文字没图片）注意：种保存网页便于收藏查看网页内容能复制要复制文字内容要提高浏览器安全级别才能复制　　
５　该事件JavaScript处理代码掉即微软IE浏览器例具体处理程：点击查看→源文件（主页文本于64k字节自调用记事本程序打；否则用写字板程序打）寻找语句语句类似其onselectstart=&return?false&句删除删除源文件另存文本文件用文本文件名缀改名.htm用IE浏览器打文件用复制、粘贴所需内容按用户所需格式保存起 　　６　选择文件——另存保存类型改文本文件（*.TXT）网页另存文本文件切都搞定 　　７　网页禁止复制屏蔽右键通用破解：工具――超星图书浏览器安装软件需要复制页面点右键现导前页超星图书浏览器通工具打页面论操作都右键菜单全简单需要复制页面:第步：打想要复制网站第二步：该网页另存电脑（文件|另存）第三步：用记事本打刚保存网页找&body onselectstart = &return false&; onpaste=&return false& &段代码（定完全）面代码（除body）全部删除剩&body&保存文件第四步：双击刚保存文件打民张网页网些文章自加设置让复制想复制办采用办尝试、保存网页复制二、查看-原代码-看所要文字三、换浏览器要知道禁用SCRIPT换浏览器OK四、用左键选择Ctrl+C复制打记事本Ctrl+V粘贴图片效图片按print screen抓屏画笔粘贴点Print Screen SysRq键.全屏接图.程序----附件-----画图工具-----编辑面,按粘贴.要东西复制教招：解决网页文字复制问题　　我浏览某些网页候想选取某些文本进行复制按住鼠标左键拖论何选需要文字网页设计者给加入能选脚本简单防止别拷贝其网页内容其实解决办简单通单击IE浏览器工具/Internet选项菜单进入安全标签页单击自定义级别按钮打安全设置框所脚本选项禁用确定按F5键刷新网页发现些选取文字选取注意采集自需要内容记给脚本解禁否则影响我浏览网页　　外直接按住Ctrl+A键网页全部内容选接着单击编辑菜单复制命令些内容粘贴Word文档或记事本再Word文档或记事本选取需要文字进行复制
其他类似问题
54人觉得有用
为您推荐：
其他3条回答
些网站尤其说类网站网页文字没复制网页张图所种文字没复制~~
IE工具栏上有个查看---源代码
点开后是个文档，找到你要复制的文字，复制下来就可以了
点浏览器上的查看进入源文件就好了。。。。。。
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁语义分析，本文指运用各种机器学习方法，挖掘与学习文本、图片等的深层次概念。1 文本基本处理在讲文本语义分析之前，我们先说下文本基本处理，因为它构成了语义分析的基础。而文本处理有很多方面，考虑到本文主题，这里只介绍中文分词以及Term Weighting。1.1 中文分词拿到一段文本后，通常情况下，首先要做分词。分词的方法一般有如下几种：基于字符串匹配的分词方法。此方法按照不同的扫描方式，逐个查找词库进行分词。根据扫描方式可细分为：正向最大匹配，反向最大匹配，双向最大匹配，最小切分(即最短路径)；总之就是各种不同的启发规则。全切分方法。它首先切分出与词库匹配的所有可能的词，再运用统计语言模型决定最优的切分结果。它的优点在于可以解决分词中的歧义问题。下图是一个示例，对于文本串“南京市长江大桥”，首先进行词条检索(一般用Trie存储)，找到匹配的所有词条（南京，市，长江，大桥，南京市，长江大桥，市长，江大桥，江大，桥），以词网格(word lattices)形式表示，接着做路径搜索，基于统计语言模型(例如n-gram)[18]找到最优路径，最后可能还需要命名实体识别。下图中“南京市 长江 大桥”的语言模型得分，即P(南京市，长江，大桥)最高，则为最优切分。图1. “南京市长江大桥”语言模型得分由字构词的分词方法。可以理解为字的分类问题，也就是自然语言处理中的sequence labeling问题，通常做法里利用HMM，MAXENT，MEMM，CRF等预测文本串每个字的tag[62]，譬如B，E，I，S，这四个tag分别表示：beginning, inside, ending, single，也就是一个词的开始，中间，结束，以及单个字的词。 例如“南京市长江大桥”的标注结果可能为：“南(B)京(I)市(E)长(B)江(E)大(B)桥(E)”。由于CRF既可以像最大熵模型一样加各种领域feature，又避免了HMM的齐次马尔科夫假设，所以基于CRF的分词目前是效果最好的，具体请参考文献[61,62,63]。除了HMM，CRF等模型，分词也可以基于深度学习方法来做，如文献[9][10]所介绍，也取得了state-of-the-art的结果。图2. 基于深度学习的中文分词上图是一个基于深度学习的分词示例图。我们从上往下看，首先对每一个字进行Lookup Table，映射到一个固定长度的特征向量(这里可以利用词向量，boundary entropy，accessor variety等)；接着经过一个标准的神经网络，分别是linear，sigmoid，linear层，对于每个字，预测该字属于B,E,I,S的概率；最后输出是一个矩阵，矩阵的行是B,E,I,S 4个tag，利用viterbi算法就可以完成标注推断，从而得到分词结果。一个文本串除了分词，还需要做词性标注，命名实体识别，新词发现等。通常有两种方案，一种是pipeline approaches，就是先分词，再做词性标注；另一种是joint approaches，就是把这些任务用一个模型来完成。有兴趣可以参考文献[9][62]等。一般而言，方法一和方法二在工业界用得比较多，方法三因为采用复杂的模型，虽准确率相对高，但耗时较大。1.2 语言模型前面在讲“全切分分词”方法时，提到了语言模型，并且通过语言模型，还可以引出词向量，所以这里把语言模型简单阐述一下。语言模型是用来计算一个句子产生概率的概率模型，即P(w_1,w_2,w_3…w_m)，m表示词的总个数。根据贝叶斯公式：P(w_1,w_2,w_3 … w_m) = P(w_1)P(w_2|w_1)P(w_3|w_1,w_2) … P(w_m|w_1,w_2 … w_{m-1})。最简单的语言模型是N-Gram，它利用马尔科夫假设，认为句子中每个单词只与其前n–1个单词有关，即假设产生w_m这个词的条件概率只依赖于前n–1个词，则有P(w_m|w_1,w_2…w_{m-1}) = P(w_m|w_{m-n+1},w_{m-n+2} … w_{m-1})。其中n越大，模型可区别性越强，n越小，模型可靠性越高。N-Gram语言模型简单有效，但是它只考虑了词的位置关系，没有考虑词之间的相似度，词语法和词语义，并且还存在数据稀疏的问题，所以后来，又逐渐提出更多的语言模型，例如Class-based ngram model，topic-based ngram model，cache-based ngram model，skipping ngram model，指数语言模型（最大熵模型，条件随机域模型）等。最近，随着深度学习的兴起，神经网络语言模型也变得火热[4]。用神经网络训练语言模型的经典之作，要数Bengio等人发表的《A Neural Probabilistic Language Model》[3]，它也是基于N-Gram的，首先将每个单词w_{m-n+1},w_{m-n+2} … w_{m-1}映射到词向量空间，再把各个单词的词向量组合成一个更大的向量作为神经网络输入，输出是P(w_m)。本文将此模型简称为ffnnlm（Feed-forward Neural Net Language Model）。ffnnlm解决了传统n-gram的两个缺陷：(1)词语之间的相似性可以通过词向量来体现；(2)自带平滑功能。文献[3]不仅提出神经网络语言模型，还顺带引出了词向量，关于词向量，后文将再细述。图3. 基于神经网络的语言模型从最新文献看，目前state-of-the-art语言模型应该是基于循环神经网络(recurrent neural network)的语言模型，简称rnnlm[5][6]。循环神经网络相比于传统前馈神经网络，其特点是：可以存在有向环，将上一次的输出作为本次的输入。而rnnlm和ffnnlm的最大区别是：ffnnmm要求输入的上下文是固定长度的，也就是说n-gram中的 n 要求是个固定值，而rnnlm不限制上下文的长度，可以真正充分地利用所有上文信息来预测下一个词，本次预测的中间隐层信息(例如下图中的context信息)可以在下一次预测里循环使用。图4. 基于simple RNN(time-delay neural network)的语言模型如上图所示，这是一个最简单的rnnlm，神经网络分为三层，第一层是输入层，第二层是隐藏层(也叫context层)，第三层输出层。 假设当前是t时刻，则分三步来预测P(w_m)：单词w_{m-1}映射到词向量，记作input(t)连接上一次训练的隐藏层context(t–1)，经过sigmoid function，生成当前t时刻的context(t)利用softmax function，预测P(w_m)参考文献[7]中列出了一个rnnlm的library，其代码紧凑。利用它训练中文语言模型将很简单，上面“南京市 长江 大桥”就是rnnlm的预测结果。基于RNN的language model利用BPTT(BackPropagation through time)算法比较难于训练，原因就是深度神经网络里比较普遍的vanishing gradient问题[55]（在RNN里，梯度计算随时间成指数倍增长或衰减，称之为Exponential Error Decay）。所以后来又提出基于LSTM(Long short term memory)的language model，LSTM也是一种RNN网络，关于LSTM的详细介绍请参考文献[54,49,52]。LSTM通过网络结构的修改，从而避免vanishing gradient问题。图5. LSTM memory cell如上图所示，是一个LSTM unit。如果是传统的神经网络unit，output activation bi = activation_function(ai)，但LSTM unit的计算相对就复杂些了，它保存了该神经元上一次计算的结果，通过input gate，output gate，forget gate来计算输出，具体过程请参考文献[53，54]。1.3 Term WeightingTerm重要性对文本分词后，接下来需要对分词后的每个term计算一个权重，重要的term应该给与更高的权重。举例来说，“什么产品对减肥帮助最大？”的term weighting结果可能是: “什么 0.1，产品 0.5，对 0.1，减肥 0.8，帮助 0.3，最大 0.2”。Term weighting在文本检索，文本相关性，核心词提取等任务中都有重要作用。Term weighting的打分公式一般由三部分组成：local，global和normalization [1,2]。即TermWeight=L_{i,j} G_i N_j。L_{i,j}是term i在document j中的local weight，G_i是term i的global weight，N_j是document j的归一化因子。常见的local，global，normalization weight公式[2]有：图6. Local weight formulas图7. Global weight formulas图8. Normalization factorsTf-Idf是一种最常见的term weighting方法。在上面的公式体系里，Tf-Idf的local weight是FREQ，glocal weight是IDFB，normalization是None。tf是词频，表示这个词出现的次数。df是文档频率，表示这个词在多少个文档中出现。idf则是逆文档频率，idf=log(TD/df)，TD表示总文档数。Tf-Idf在很多场合都很有效，但缺点也比较明显，以“词频”度量重要性，不够全面，譬如在搜索广告的关键词匹配时就不够用。除了TF-IDF外，还有很多其他term weighting方法，例如Okapi，MI，LTU，ATC，TF-ICF[59]等。通过local，global，normalization各种公式的组合，可以生成不同的term weighting计算方法。不过上面这些方法都是无监督计算方法，有一定程度的通用性，但在一些特定场景里显得不够灵活，不够准确，所以可以基于有监督机器学习方法来拟合term weighting结果。图9. Okapi计算公式利用有监督机器学习方法来预测weight。这里类似于机器学习的分类任务，对于文本串的每个term，预测一个[0,1]的得分，得分越大则term重要性越高。既然是有监督学习，那么就需要训练数据。如果采用人工标注的话，极大耗费人力，所以可以采用训练数据自提取的方法，利用程序从搜索日志里自动挖掘。从海量日志数据里提取隐含的用户对于term重要性的标注，得到的训练数据将综合亿级用户的“标注结果”，覆盖面更广，且来自于真实搜索数据，训练结果与标注的目标集分布接近，训练数据更精确。下面列举三种方法(除此外，还有更多可以利用的方法)：通过上面的方法，可以提取到大量质量不错的训练数据（数十亿级别的数据，这其中可能有部分样本不准确，但在如此大规模数据情况下，绝大部分样本都是准确的）。有了训练数据，接下来提取特征，基于逻辑回归模型来预测文本串中每个term的重要性。所提取的特征包括：term的自解释特征，例如term专名类型，term词性，term idf，位置特征，term的长度等；term与文本串的交叉特征，例如term与文本串中其他term的字面交叉特征，term转移到文本串中其他term的转移概率特征，term的文本分类、topic与文本串的文本分类、topic的交叉特征等。从搜索session数据里提取训练数据，用户在一个检索会话中的检索核心意图是不变的，提取出核心意图所对应的term，其重要性就高。从历史短串关系资源库里提取训练数据，短串扩展关系中，一个term出现的次数越多，则越重要。从搜索广告点击日志里提取训练数据，query与bidword共有term的点击率越高，它在query中的重要程度就越高。核心词、关键词提取短文本串的核心词提取。对短文本串分词后，利用上面介绍的term weighting方法，获取term weight后，取一定的阈值，就可以提取出短文本串的核心词。长文本串(譬如web page)的关键词提取。这里简单介绍几种方法。想了解更多，请参考文献[69]。采用基于规则的方法。考虑到位置特征，网页特征等。基于广告主购买的bidword和高频query建立多模式匹配树，在长文本串中进行全字匹配找出候选关键词，再结合关键词weight，以及某些规则找出优质的关键词。类似于有监督的term weighting方法，也可以训练关键词weighting的模型。基于文档主题结构的关键词抽取，具体可以参考文献[71]。2 文本语义分析前面讲到一些文本基本处理方法。一个文本串，对其进行分词和重要性打分后（当然还有更多的文本处理任务），就可以开始更高层的语义分析任务。2.1 Topic Model首先介绍主题模型。说到主题模型，第一时间会想到pLSA，NMF，LDA。关于这几个目前业界最常用的主题模型，已经有相当多的介绍了，譬如文献[60，64]。在这里，主要想聊一下主题模型的应用以及最新进展(考虑到LDA是pLSA的generalization，所以下面只介绍LDA)。LDA训练算法简单介绍LDA的推导这里略过不讲，具体请参考文献[64]。下面我们主要看一下怎么训练LDA。在Blei的原始论文中，使用variational inference和EM算法进行LDA推断(与pLSA的推断过程类似，E-step采用variational inference)，但EM算法可能推导出局部最优解，且相对复杂。目前常用的方法是基于gibbs sampling来做[57]。Step1: 随机初始化每个词的topic，并统计两个频率计数矩阵：Doc-Topic 计数矩阵N(t,d)，描述每个文档中的主题频率分布；Word-Topic 计数矩阵N(w,t)，表示每个主题下词的频率分布。Step2: 遍历训练语料，按照概率公式(下图所示)重新采样每个词所对应的topic, 更新N(t,d)和N(w,t)的计数。Step3: 重复 step2，直到模型收敛。对文档d中词w的主题z进行重新采样的公式有非常明确的物理意义，表示为P(w|z)P(z|d)，直观的表示为一个“路径选择”的过程。图10. gibbs sampling过程图主题模型的应用点在广点通内部，主题模型已经在很多方面都得到成功应用[65]，譬如文本分类特征，相关性计算，ctr预估，精确广告定向，矩阵分解等。具体来说，基于主题模型，可以计算出文本，用户的topic分布，将其当作pctr，relevance的特征，还可以将其当作一种矩阵分解的方法，用于降维，推荐等。不过在我们以往的成功运用中，topic模型比较适合用做某些机器学习任务的特征，而不适合作为一种独立的方法去解决某种特定的问题，例如触发，分类。Blei是这样评价lda的：it can easily be used as a module in more complicated models for more complicated goals。为什么topic model不适合作为一种独立的方法去解决某种特定的问题(例如分类，触发等)。个人总结，主要原因是lda模型可控性可解释性相对比较差：对于每个topic，不能用很明确的语义归纳出这个topic在讲什么；重新训练一遍lda模型，每个topic id所对应的语义可能发生了变化；有些topic的准确性比较好，有些比较差，而对于比较差的topic，没有特别好的针对性的方法去优化它；另外一个就是topic之间的重复，特别是在topic数目比较多的情况，重复几乎是不可避免的，当时益总(yiwang)在开发peacock的时候，deduplicate topic就是一个很重要的任务。如果多个topic描述的意思一致时，用topic id来做检索触发，效果大半是不好的，后来我们也尝试用topic word来做，但依旧不够理想。主题模型并行化在文献[67]中，Newman团队提出了LDA算法的并行化版本Approximate distributed-LDA，如下图所示：图11. AD-LDA算法在原始gibbs sampling算法里，N(w,t)这个矩阵的更新是串行的，但是研究发现，考虑到N(w,t)矩阵在迭代过程中，相对变化较小，多个worker独立更新N(w,t)，在一轮迭代结束后再根据多个worker的本地更新合并到全局更新N(w,t)，算法依旧可以收敛[67]。那么，主题模型的并行化(不仅仅是主题模型，其实是绝大部分机器学习算法)，主要可以从两个角度来说明：数据并行和模型并行。数据并行。这个角度相对比较直观，譬如对于LDA模型，可以将训练数据按照worker数目切分为M片(M为worker数)，每个worker保存一份全局的N(w,t)矩阵，在一轮迭代里，各个worker独立计算，迭代结束后，合并各个worker的本地更新。这个思路可以借用目前通用的并行计算框架，譬如Spark，Hadoop，Graphlab等来实现。模型并行。考虑到矩阵N(w,t)在大规模主题模型中相当巨大，单机内存不可能存下。所以直观的想法，可以将N(w,t)也切分成多个分片。N(w,t)可以考虑使用全局的parameter server来存储，也可以考虑存储在不同worker上，利用MPI AllReduce来通信。数据与模型并行，可以形象的描述为一个棋盘。棋盘的行按照数据划分，棋盘的列按照模型划分。LDA的并行化，就是通过这样的切分，将原本巨大的，不可能在单机存储的矩阵切分到不同的机器，使每台机器都能够将参数存储在内存。再接着，各个worker相对独立计算，计算的过程中不时按照某些策略同步模型数据。最近几年里，关于LDA并行化已有相当多的开源实现，譬如：PLDA，PLDA+Yahoo LDAParameter server最近的并行LDA实现Peacock[70,65]和LigthLda[13]没有开源，但我们可以从其论文一窥究竟，总体来说，并行化的大体思路是一致的。譬如LightLDA[13]，下图是实现架构框图，它将训练数据切分成多个Block，模型通过parameter server来同步，每个data block，类似于sliding windows，在计算完V1的采样后，才会去计算V2的采样(下图中V1,V2,V3表示word空间的划分，即模型的划分)。图12. LightLda并行结构图2.2 词向量，句向量词向量是什么在文本分析的vector space model中，是用向量来描述一个词的，譬如最常见的One-hot representation。One-hot representation方法的一个明显的缺点是，词与词之间没有建立关联。在深度学习中，一般用Distributed Representation来描述一个词，常被称为“Word Representation”或“Word Embedding”，也就是我们俗称的“词向量”。词向量起源于hinton在1986年的论文[11]，后来在Bengio的ffnnlm论文[3]中，被发扬光大，但它真正被我们所熟知，应该是word2vec[14]的开源。在ffnnlm中，词向量是训练语言模型的一个副产品，不过在word2vec里，是专门来训练词向量，所以word2vec相比于ffnnlm的区别主要体现在：模型更加简单，去掉了ffnnlm中的隐藏层，并去掉了输入层跳过隐藏层直接到输出层的连接。训练语言模型是利用第m个词的前n个词预测第m个词，而训练词向量是用其前后各n个词来预测第m个词，这样做真正利用了上下文来预测，如下图所示。图13. word2vec的训练算法上图是word2vec的两种训练算法：CBOW(continuous bag-of-words)和Skip-gram。在cbow方法里，训练目标是给定一个word的context，预测word的概率；在skip-gram方法里，训练目标则是给定一个word，预测word的context的概率。关于word2vec，在算法上还有较多可以学习的地方，例如利用huffman编码做层次softmax，negative sampling，工程上也有很多trick，具体请参考文章[16][17]。词向量的应用词向量的应用点：可以挖掘词之间的关系，譬如同义词。可以将词向量作为特征应用到其他机器学习任务中，例如作为文本分类的feature，Ronan collobert在Senna[37]中将词向量用于POS, CHK, NER等任务。用于机器翻译[28]。分别训练两种语言的词向量，再通过词向量空间中的矩阵变换，将一种语言转变成另一种语言。word analogy，即已知a之于b犹如c之于d，现在给出 a、b、c，C(a)-C(b)+C(c)约等于C(d)，C(*)表示词向量。可以利用这个特性，提取词语之间的层次关系。Connecting Images and Sentences，image understanding。例如文献，DeViSE: A deep visual-semantic em-bedding model。Entity completion in Incomplete Knowledge bases or ontologies，即relational extraction。Reasoning with neural tensor net- works for knowledge base completion。more word2vec applications，点击link1，link2除了产生词向量，word2vec还有很多其他应用领域，对此我们需要把握两个概念：doc和word。在词向量训练中，doc指的是一篇篇文章，word就是文章中的词。假设我们将一簇簇相似的用户作为doc（譬如QQ群），将单个用户作为word，我们则可以训练user distributed representation，可以借此挖掘相似用户。假设我们将一个个query session作为doc，将query作为word，我们则可以训练query distributed representation，挖掘相似query。句向量分析完word distributed representation，我们也许会问，phrase，sentence是否也有其distributed representation。最直观的思路，对于phrase和sentence，我们将组成它们的所有word对应的词向量加起来，作为短语向量，句向量。在参考文献[34]中，验证了将词向量加起来的确是一个有效的方法，但事实上还有更好的做法。Le和Mikolov在文章《Distributed Representations of Sentences and Documents》[20]里介绍了sentence vector，这里我们也做下简要分析。先看c-bow方法，相比于word2vec的c-bow模型，区别点有：训练过程中新增了paragraph id，即训练语料中每个句子都有一个唯一的id。paragraph id和普通的word一样，也是先映射成一个向量，即paragraph vector。paragraph vector与word vector的维数虽一样，但是来自于两个不同的向量空间。在之后的计算里，paragraph vector和word vector累加或者连接起来，作为输出层softmax的输入。在一个句子或者文档的训练过程中，paragraph id保持不变，共享着同一个paragraph vector，相当于每次在预测单词的概率时，都利用了整个句子的语义。在预测阶段，给待预测的句子新分配一个paragraph id，词向量和输出层softmax的参数保持训练阶段得到的参数不变，重新利用梯度下降训练待预测的句子。待收敛后，即得到待预测句子的paragraph vector。图14. sentence2vec cBow算法sentence2vec相比于word2vec的skip-gram模型，区别点为：在sentence2vec里，输入都是paragraph vector，输出是该paragraph中随机抽样的词。图15. sentence2vec Skip-gram算法下面是sentence2vec的结果示例。先利用中文sentence语料训练句向量，然后通过计算句向量之间的cosine值，得到最相似的句子。可以看到句向量在对句子的语义表征上还是相当惊叹的。图16. sentence2vec 结果示例词向量的改进<p style="ma　
　文章为作者独立观点，不代表微头条立场
的最新文章
本文有两重目的，一是在性能方面快速对比下R语言和Spark，二是想向大家介绍下Spark的机器学习库。背景介日，科比在球员论坛正式宣布本赛季结束后，他将退役。随后各大媒体都对此进行了报道，20年，我认为人人都应该学一些概率知识，它现在是公民必备知识。现在的世界比过去复杂得多，其中有大量不确定性，是否理解如果您觉得我们的内容对您还有点儿用，可以尝试长按上图二维码打赏我们！1元2元5元10元，多少都行，随您。^_原作者: 邓一硕来自: 格物堂注：代码格式有点乱，请按文章末尾提示回复获取word版。构造投资组合是金融投资昨天下午，我们在微软亚太研发集团召开了GrowingIO产品发布会。在活动中，微软加速器中国首席技术官沈强、原作者: 邓一硕来自: 格物堂注：代码格式有点乱，请按文章末尾提示回复获取word版。构造投资组合是金融投资色诱、下药统统上！摘要：R是数据科学家中最流行的编程语言和环境之一，在Spark中加入对R的支持是社区中较受关注的话题。作为增论坛君：作为一名统计学教员（王汉生教授谦虚了），每天绞尽脑汁做完研究，难得空闲的时候，教授就琢磨琢磨中国统计不知道各位平常有没有过需要画地图的需求，有的时候需要在地图上标出特定位置的数据表现或者一些数值，然而怎么实现一、为什么要深入数学的世界作为计算机的学生，我（原作者）没有任何企图要成为一个数学家。我学习数学的目的，是要今天分享一下数据分析的一些基本思想，我给它起了个名字叫做用数据说话。内容都是个人的一些心得，比较肤浅！如有不为什么样本方差（sample variance）的分母是 n-1？上面有答案解释得很明确，即样本方差计算公式新智元翻译1来源：Analytics Vidhya作者：Manish Saraswat翻译：张巨岩导读导读： 日前，互联网教父、科技商业预言家的凯文·凯利在斯坦福大学进行长达3小时的分享，畅谈他对未来20年重大来源：网络，版权归原作者所有英国科学期刊《物理世界》曾让读者投票评选了“最伟大的公式”，最终榜上有名的十个公当我们观察着园蛛，尤其是丝光蛛和条纹蛛的网时，我们会发现它的网并不是杂乱无章的，那些辐排得很均匀，每对相邻的.NET数据挖掘与机器学习原文：/asxinyu/archive关键词： 理论物理, 数学方程下面是一个典型的教科书问题：你的车已经用完了汽油，你要用多大的力才能把它加速到指标广告点击率预估是程序化广告交易框架的非常重要的组件，点击率预估主要有两个层次的指标：1. 排序指标。排序逻辑回归可以用在CTR(Click Through Rate)预估上，即通常所说的点击率预估。点击率预估的意从傅里叶变换到小波变换，并不是一个完全抽象的东西，完全可以讲得很形象。小波变换有着明确的物理意义，如果我们从转载自：一财网最近10年，没有一个技术名词能像大数据一样深入社会每个阶层，获得这么广泛的关注。大数据被讨论得A Mathematical Model of Sentimental Dynamics Accountin数据挖掘资料，点击底部"阅读原文"，手慢无机器学习中的预测问题通常分为2类：回归与分类。简单的说回归就是预测作者 白宁超成都信息工程大学硕士。近期关注数据分析统计学、机器学习。原文：blog一、决策树原理决策树是用样本的属性作为结点，用属性的取值作为分支的树结构。 决策树的根结点是所有样本中信息量成为文献管理高手？看完这一篇，你就是了！本文的英文原文地址是：Python for Data Science vs Python for Web D点蓝字关注我们白羊AriesAssertive = 武断Risk-taking = 爱冒险Independe转自：互联网金融实践穆远先生之前在FICO工作，给我们录课的时候担任玖富首席风险官，最近刚刚去国内金控担任副背景中国的购物狂欢日“双十一”刚刚结束，来自阿里巴巴的实时数据显示，2015天猫双11全球狂欢节开场仅用12我一直在找一份简明的神经网络入门，然而在中文圈里并没有找到。直到我看到了这份162行的Python实现，以及
又是一年双十一，电商和O2O的狂欢盛典，线上系统的抗洪抢险。本文揭秘防刷领域行业现状，数据模型和后台架构的搭建实战经验。关联规则挖掘是一种流行的数据挖掘方法，在R语言中为扩展包arules。然而，挖掘关联规则往往导致非常多的规则在许多人的旅行版图上，也许压根就没想到过出现格鲁吉亚这个西亚小国的名字。也很少有人知道，正是在这片低调的高加关键词： 向量，几何一只觅食蚂蚁的生活是乏味和无聊的。它涉及到的不外乎食物来源和蚁穴之间的多次往返。这些旅行你怎么也标题党了？是的。我也标题党了。标题相当欠揍，内容不打折扣！这篇是我压箱底的，最实在的SCI全文查找黄金大法。从高中的时候学习导数概念开始，我们就知道有函数
特别神奇，或者说皮实经打耐用。它最耳熟能详的性质就是它不怕大数据时代，基于大数据与标签化思路的人物画像分析，已经成为企业深入认知目标消费群特性的重要工具。实际上，人物作者：张丹(Conan) 程序员Java,R,PHP,Javascript前言人类总是在生活中摸索规律，把规mysasnetSAS软件爱好者技术交流平台热门文章最新文章mysasnetSAS软件爱好者技术交流平台