盲反饋檢索系統實驗記錄三

計算tf/idf

在使用fileStr獲取新聞的內容和長度后，我們就可以計算他們的tf和idf:

//計算tf\idf
static public function tf_df($seg){
    $str=self::fileStr();
    $file_dir=self::fileDir(TEXT_PATH);
    $df=array();
    for($i=0;$i<count($seg);$i++){
        for($j=0;$j<count($seg[$i]);$j++){ 
        $seg[$i][$j]['tf']=$seg[$i][$j]['times']/$str[$i]['len'];   //詞頻tf
        array_push($df,$seg[$i][$j]['word']);   //所有詞合并,df
        }
    }
    $df=array_count_values($df);    //文檔頻率df
    for($i=0;$i<count($seg);$i++){
        for($j=0;$j<count($seg[$i]);$j++){
            $seg[$i][$j]['df']=$df[($seg[$i][$j]['word'])]; //給每個詞賦予df
            $seg[$i][$j]['idf']=log(count($file_dir)/$seg[$i][$j]['df']);   //idf
        }
    } 
    return $seg;
}

該方法傳遞的參數$seg就是前面提到若的使用segment分詞方法返回的結果。這里使用的是它計算出來的['word']和['times']。

第一個for雙重循環：第一個for循環得到每一篇文檔所有詞的信息，第二個for循環取出這篇文檔每個詞的信息，比如$seg[$i][$j]['times']是一個詞出現的次數，再除以這篇文檔的長度$str[$i]['len']就可以得到詞頻。

第二個for雙重循環：大概意思就是得到該文檔集的文檔頻率df后,使用公式idf=log(N/df)，N表示文檔集總數，df就是所計算詞的文檔頻率，最后得出idf（逆文檔頻率）。

新創建一個用來測試的php文件test.php,代碼如下

<?php
    require_once 'init.inc.php';
    $str=Tool::fileStr();
    $top=Tool::segment($str);
    $seg=Tool::tf_df($top);
    print_r($seg);
?>

在瀏覽器中運行（這個過程大概花費20s）,查看源代碼：

計算特征向量

萬事俱備，只欠東風。到這里，我們已經得到了所有詞項的tf和idf，他們的權重=tf*idf.在這里我們又會使用到之前已經創建好的詞表（保存在dic.txt），詞表中的每一個詞代表空間中的一個維度，dic.txt中有1000多個詞，因而空間中就有1000多維。我們把每篇文檔的詞項都映射到這1000多個維度里，每個維度的值表示該詞項的權重，若該篇文檔不存在詞典中出現的詞，則對應的維度值設為0.（這里利用的是向量空間模型的知識）。

計算特征向量的代碼封裝在方法vsm中：

//特征向量,并寫入文件(tf/idf以及存在seg中)
static public function vsm($seg){
    $file_dir=self::fileDir(TEXT_PATH);
    $dic_str=file_get_contents('dic.txt');
    $dic_arr=explode(',',$dic_str);
                                                                                                       
    $vsm_arr=array();   //向量空間
    for($i=0;$i<count($dic_arr);$i++){
        $vsm_arr[$dic_arr[$i]]=0;   //初始化為0
    }
                                                                                                       
    for($i=0;$i<count($seg);$i++){
        for($j=0;$j<count($seg[$i]);$j++){
            if(in_array($seg[$i][$j]['word'],$dic_arr)){
                $vsm_arr[($seg[$i][$j]['word'])]=$seg[$i][$j]['tf']*$seg[$i][$j]['idf'];
            }
        }
        //將vsm寫入文件
        $vsm_str=implode(',',$vsm_arr);
        $fp=fopen(ROOT_PATH.'/vsm/'.$file_dir[$i],'w');
        fwrite($fp,$vsm_str);
        fclose($fp);
    }
}

該方法把對應文檔的特征向量計算出來后，把他們保存在目錄名為vsm的目錄中，文件名和它們的新聞文檔文件名相同。修改test.php：

<?php
    require_once 'init.inc.php';
    $str=Tool::fileStr();   //取出文檔集內容
    $top=Tool::segment($str);   //分詞
    Tool::dic($top);    //建立詞典
    $seg=Tool::tf_df($top); //計算tf/idf
    Tool::vsm($seg);    //計算特征向量
?>

即可運行，在系統目錄的vsm下可以看到多出了10個txt文件，里邊的內容保存的分別是對應文檔的特征向量。