TF-IDF介绍TF-IDF是NLP中一种常用的统计方法，用以评估一个字词对于一个文件集或一个语料库中的其中一份文件的重要程度，通常用于提取文本的特征，即关键词。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

Word2Vec基于 Gensim 的 Word2Vec 实践，从属于笔者的程序猿的数据科学与机器学习实战手册，代码参考gensim.ipynb。推荐前置阅读Python语法速览与机器学习开发环境搭建，Scikit-Learn 备忘录。模型创建Gensim

corpora.bleicorpus – Corpus in Blei’s LDA-C format. models.dtmmodel – Dynamic Topic Models and Dynamic Influence Models

词向量原始的代码是C写的，python也有对应的版本，被集成在一个非常牛逼的框架gensim中。我在自己的开源语义网络项目graph-mind中使用了这些功能，大家可以直接用我在上面做的进一步的封装傻瓜式地完成一些操作，下面分享调用方法和一些code上的心

NumPy是构建科学计算 stack 的最基础的包。它为 Python 中的 n 维数组和矩阵的操作提供了大量有用的功能。该库还提供了 NumPy 数组类型的数学运算向量化，可以提升性能，从而加快执行速度。Seaborn 基于 Matplotlib，并高度

大数据分析是商业智能的重要工具，而自然语言处理工具可帮助处理来自不同来源的非结构化数据流。由于Python编程语言是最适合大数据处理的事实之一，因此许多工具和库都是为它而生。这就是为什么有很多NLP库的原因，还有更多的是定期的服务。由于这个原因，“Pyth

在这篇文章中，我们将学习如何识别文档中讨论的主题，称为主题建模。话题建模是一种无监督的机器学习方法，可帮助我们发现论文中隐藏的语义结构，使我们能够在语料库中学习论文的主题表示。该模型可以应用于文档上的任何类型的标签，例如网站上帖子上的标签。[‘cognit

anaconda 集成了很多科学计算中所需要的包，如numpy，scipy等等，具体查看anaconda中已经预先安装配置好的包有哪些，可以通过cmd命令，输入conda list 查看，如下图所示：。但是，因为实际需求，我们会需要导入列表中没有的第三方包

corpus=[dictionary.doc2bow for text in Corp] #将文档转化为词袋模型。tfidf=models.TfidfModel#使用tf-idf模型得出文档的tf-idf模型。vec_bow=dictionary.doc2