Text identifiers are given as featu

Text identifiers are given as features for encoding words into numerical vectors. Texts are dependent on others rather than independent ones which are assumed in the traditional classifiers, especially in Naive Bayes [1]. Previously, various schemes of computing the semantic similarity between texts were developed [2]. We need to assign nonzero similarity between two numerical vectors where non-zero elements are given to different features with their high similarity. It is expected to improve the discriminations among sparse vectors by considering the similarity among features. We may build the similarity matrix among features automatically from a corpus. From the corpus, we extract easily a list of text identifiers. We compute the similarity between two texts by equation (2), where tf (di; dj) is the number of words which are shared by both texts, di and dj , and tf (di) is the number of words which are included in the text, di. We build the similarity matrix which is consists of similarities between text identifiers given as features as follows:

결과 (한국어) 1:

텍스트 식별자는 숫자 벡터에 인코딩 단어에 대 한 기능으로 제공 됩니다. 텍스트는 다른 사람 보다는 오히려 가정 Naive Bayes [1]에서 특히 전통적인 분류자에 독립적인 것 들에 의존 한다. 이전에 텍스트 사이의 의미적 유사성을 계산의 다양 한 제도 개발된 [2] 했다. 0이 아닌 요소가 그들의 높은 유사성과 다양 한 기능을 주어는 두 개의 숫자 벡터 사이 0이 아닌 유사성을 할당 해야 합니다. 그것은 스파스 벡터 사이 차별 기능 간의 유사성을 고려 하 여 개선 예정입니다. 우리는 유사성 행렬 기능 모음에서 자동으로 만들 수 있습니다. 모음에서 우리는 쉽게 텍스트 식별자의 목록을 추출합니다. 우리 어디 tf (디; dj) 텍스트, 디와 dj, 공유 되는 단어의 수 이며 tf (디)는 텍스트에 포함 된 단어 수 방정식 (2), 하 여 두 텍스트 간의 유사성을 계산 디. 우리는 유사성을 구축 매트릭스는 다음과 같은 기능으로 주어진 텍스트 식별자 간의 유사성의 구성:

결과 (한국어) 2:

텍스트 식별자는 숫자 벡터로 단어를 인코딩 기능으로 제공됩니다. 텍스트는 특히 나이브 베이 즈에, 오히려 전통적인 분류에 가정 독립적 인 사람보다 다른 사람에 의존한다 [1]. 이전의 텍스트 사이의 의미 적 유사성을 계산하는 다양한 방식이 개발되었다 [2]. 우리는 제로가 아닌 요소가 높은 유사성과 다양한 기능에 주어진 두 개의 숫자 벡터 사이에 제로가 아닌 유사성을 할당해야합니다. 그것은 기능 중에서 유사성을 고려하여 스파 스 벡터 간의 차별을 개선 할 것으로 예상된다. 우리는 신체에서 자동으로 기능 사이의 유사성 행렬을 구축 할 수 있습니다. 코퍼스에서, 우리는 쉽게 텍스트 식별자의 목록을 추출합니다. 에 포함되어있는 단어의 수이고; (DJ DI) (디) 텍스트, 디 및 DJ 및 TF 모두에 의해 공유되는 단어의 수이고 우리는 TF는 식 (2)에 의해 두 개의 텍스트 사이의 유사도를 계산 텍스트, 디. 우리는 다음과 같은 기능으로 지정된 텍스트 식별자 사이의 유사성으로 구성되어있다 유사성 행렬을 구축 :

결과 (한국어) 3:

문자 인코딩 지정 기능 식별자 수치 벡터 말 것이다.텍스트 남에게 꼭 독립 가정 있는 것은 전통 소터, 특히 순진한 검사하다.옛날, 계산 다른 계획을 그런데요 텍스트 (2) 간 거야.우리는 반드시 지정된 0이 아닌 유사도가 어디 요구하는 수치 벡터 0이 아닌 다른 특징 같은 그 높다.그것은 높일 성긴 벡터 차별 고려 중 유사도가 특징.우리는 되는거지 유사 행렬 자동 자료 중 하나 가지고 있다.이 재료우리는 추출 쉽게 텍스트 식별자 목록.우리는 계산 두 텍스트 같 이 (2), 여기 tf (황제; dj) 이 몇 글자를 모두 텍스트, 아우, dj, tf (제) 은 열 수 있는 텍스트 단어, 저하.우리가 유사 행렬 구성 사이에 있는 텍스트 식별자 특징 같은 대해 다음과 같습니다.