有关文本挖掘的14个概念
我们所处的信息时代以急速增长的数据信息收集、储存和转换成电子格式为特征。大量的商业数据以杂乱无章的文本形式储存。
据美林公司(Merrill Lynch)和高德纳公司(Gartner)联合进行的一项调查表明,85%的企业数据或多或少是以无序的方式收集储存的。同时,调查声称这些杂乱无章的数据每18个月增长一倍。
当今商界奉行“知识就是力量”,知识来源于数据和信息,若企业能够高效且有效地挖掘文本数据背后的资源,就能够做出更好的决策。文本挖掘(在文本数据库也称文本数据挖掘或者知识发现)是从大量无结构的数据中提炼出模式(也就是有用的信息和知识)的半自动化处理过程。请注意,数据挖掘是从有结构的数据库中鉴别出有效的、新颖的、可能有用的并最终可理解的模式。在这个有结构的数据库中,分类的、顺序的或者连续型变量构建起记录,数据在这些记录下进行组织。文本挖掘与数据挖掘的共同之处在于,它们都为了同样的目标,使用同一处理方式,不同之处在于文本挖掘流程中“输入”一项是一堆杂乱无章的(或者说是未经整理的)数据文件,比如Word、PDF、本文文档摘录、XML文件等。在大量数据产生的领域,文本挖掘的益处尤为突出。信息提取。通过模式匹配寻找出文本中先定的物件和序列,文本挖掘能够鉴别文本中主要的短语和关系。最常见的信息提取形式大概就是“实体抽取”。命名实体抽取包括命名实体识别(利用现有对域的知识,进行已知实体名称的识别,包括:人、企业、地点的名字、时间表达式以及某些数值表达式)、指代消解(检测文本实体间的同指代和回指代联系)、关系抽取(鉴别实体间的关系)。
话题跟踪。根据用户浏览的文件记录,文本挖掘可以预测用户可能喜欢的其他文本。
总结。文本挖掘可以为读者总结文本概要,节省阅读时间。
分类。文本挖掘能够发现稳当的主题,并归置在预先制定的类别之下。
聚类。文本挖掘可以在没有预先制定的类别时归类相似的文档。
概念衔接。文本挖掘可以鉴别文档的共享概念,从而把相关的文档连接在一起。用户由此可以找到传统搜索方法无法发现的信息。
答疑。通过知识驱动的模式匹配,文本挖掘可以找出问题的最佳答案。
文本挖掘有自己的语言体系,包括多种多样的术语和缩略词。非结构化数据。结构化数据有其预设的格式,常和简单的数据数值(分类的、顺序的或者连续型变量)一同被组织进入记录并储存在数据库。语料库。在语言学中,语料库是一个大型的结构化文本的集合(现在一般是以电子形式储存和处理),用作知识发现的工具。术语。术语是由在一个特定域的语料库中,通过自然语言处理提取的单词或者多词短语。概念。概念是通过人工、统计、规则导向或者多种混合的分类方法,从一系列文档中生成的特征。与术语相比,生成概念需要更高层次的抽象。词干提取。词干提取是将屈折词简化到词干(或者词根)的处理方式。比如,stemmer,stemming和stemmed都来自stem。停用词。停用词(也称为“干扰词”),是在自然语言处理之前或者之后被过滤掉的单词。停用词没有统一的清单,大多数自然语言处理工具将冠词(如a,am,the,of等),助动词(如is,are,was,were等)以及只在上下文中有意义,不具有区分价值的词视作停用词。
同义词和多义词。同义词是在句法上不同(也就是拼写不一样),但是意思一致或者相似的词语。相反地,多义词或者“同形异义词”,是句法上一致,但意义不同(例如bow,有鞠躬、船头、蝴蝶结等多个意思)。
标记化。标记是句子中已分类的文本块。根据功能的不同,与标记对应的文本块被分门别类,这一与意义相关的过程被称为“标记化”。只要对结构化文本有意义,标记可以是任何形式的。
术语词典。术语词典是一个小而专的领域里的术语集合,可以控制从语料库中提取的字词。
词频。词频就是一个单词在某文本中出现的次数。
词性标注。词性标注就是根据单词的意思和它在上下文的用法标记词性(是名词、动词、形容词还是副词)。
形态学。形态学是语言学的一个分支,是自然语言处理的一部分,它研究的是词语的内部结构。
术语-文本矩阵。常用来呈现术语和文本间基于频率的关系,以表格的形式表现,行表示术语,列表示文本,术语和文本间的频率以整数形式填在每个格里。
奇异值分解(也称为潜在语义索引)。是一种将术语——文本矩阵转化到可操作大小的降维手段。它利用一种与主成分分析法类似的矩阵控制法来生成中等大小的术语——文本频率表现形式。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10推荐学习书籍 《CDA一级教材》在线电子版正式上线CDA网校,为你提供系统、实用、前沿的学习资源,助你轻松迈入数据分析的大门! ...
2025-03-07在数据驱动决策的时代,掌握多样的数据分析方法,就如同拥有了开启宝藏的多把钥匙,能帮助我们从海量数据中挖掘出关键信息,本 ...
2025-03-06