文字挖掘與分析名詞解釋10道題，英文縮寫，例如RNN,LDA,P,FNN模型和演算法的理解（word2vec等模型原理），損失函式，語言模型的概念，程式碼類：根據公式/輸出寫原始碼交叉熵損失設定引數解決資料不平衡1自然語言處理自然語言處理研究實現人與計算機之間用自然語言進行有效通訊的各種理論和方法。自然語言處理技 術發展經歷了基於規則的方法、基於統計學習的方法和基於深度學習的方法三個階段。自然語言處理 由淺入深的四個層面分別是形式、語義、推理和語用，當前正處於由語義向推理的發展階段。2文字分類文字分類是機器對文字按照一定的分類體系自動標註類別的過程， 也是自然語言處理最早的應用領域之一。你能想到哪些自動文字分類 應用？ 垃圾郵件分類，新聞型別分類，...情感分析情感分析也可以認為是文字分類的一個子型別。情感分析往往應 用於電商的使用者評價分析，微博等自媒體的使用者留言傾向分析，或者 公共事件的輿情分析。3資訊抽取資訊抽取是採用機器學習演算法從非結構化文字中自動抽取出使用者感興趣的內容，並進 行 結構化處理。例如命名實體識別、實體關係抽取、事件抽取、因果關係抽取文字生成包括自動文章撰寫、自動摘要生成等內容4資訊檢索資訊檢索指資訊按一定的方式組織起來，並根據使用者的需要找出有關的資訊的過程和技術。搜 索引擎是當前主流的資訊檢索方式，從最初的關鍵詞匹配演算法到如今的語義檢索技術， 使用者已經能夠隨心所欲的檢索自 己所需的資訊。
中心度：在圖論和網路分析中，中心度用來衡量節點在圖中的重要 性，中心度並不是節點本身帶有的屬性，而是一種結構屬性， 是在圖或網路結構下節點才具有的屬性。中心度可用來解決不同領域的問題： 例如在社交網路中尋找影響力最大的使用者，在網際網路或城市網路中尋找 關鍵的基礎設施，以及在疾病網路中發現超級傳播者度中心度：指節點與其他節點相連邊的數量，即透過節點的鄰居 數目（區域性資訊）來計算節點度重要程度。 基本思想：節點與網路中其他節點的互動都是透過其鄰居節點來 進行的，因此節點的鄰居越多，意味著該節點能夠 向外傳遞的資訊越多，從網路外部接受資訊也越容易。 有向網路中，又可以定義出度中心度、入度中心度。
社群發現是根據網路中的邊的連線模式，把網路頂點劃分為群組。將網路頂點劃分為群組後最常見的屬性是，同一群組內部的頂點之間緊密連 接，而不同群組之間只有少數邊連線。社團發現的目的是就要找到網路內部不同群組之間的自然分割線。簡而言之，它是一個把網路自然劃分為頂點群組的問題，從而使得群組內有 許多邊，而群組之間幾乎沒有邊。然而，“許多”和“幾乎沒有”到底是多少， 這個問題值得商榷，為此提出了多種不同的定義，從而產生了不同的社團發 現演算法8基於層次聚類的演算法。
第一階段：稱為dularity Optization，主要是將每個節點劃 分到與其鄰接的節點所在的社群中，以使得模組度的 值不斷變大； 第二階段：稱為Counity Aggregation，主要是將第一步劃分 出來的社群聚合成為一個點，即根據上一步生成的社 區結構重新構造網路。重複以上的過程，直到網路中 的結構不再改變為止。步驟：1.初始化，將每個點劃分在不同的社群中； 2.對每個節點，將每個點嘗試劃分到與其鄰接的點所在的社群中，計算此時 的模組度，判斷劃分前後的模組度的差值ΔQ是否為正數，若為正數， 則接受本次的劃分，若不為正數，則放棄本次的劃分； 3.重複以上的過程，直到不能再增大模組度為止； 4.構造新圖，新圖中的每個點代表的是步驟3中劃出來的每個社群，繼續執 行步驟2和步驟3，直到社群的結構不再改變為止。 ！在2中計算節點的順序對模組度的計算是沒有影響的，而是對計算時間有影響。
資料缺失的原因資料採集過程可能會造成資料缺失；資料透過網路等渠道進行傳輸時也可能出現數據丟失或出錯，從而造成 資料缺失；在資料整合過程中也可能引入缺失值刪除法刪除法透過刪除包含缺失值的資料，來得到一個完整的資料子集. 資料的 刪除既可以從樣本的角度進行，也可以從特徵的角度進行。 刪除特徵：當某個特徵缺失值較多，且該特徵對資料分析的目標影響 不大時， 可以將該特徵刪除 刪除樣本：刪除存在資料缺失的樣本。 該方法適合某些樣本有多個特徵存在缺失值，且存在缺失值的樣本佔 整個資料集樣本數量的比例不高的情形 缺點：它以減少資料來換取資訊的完整，丟失了大量隱藏在這些被刪除資料 中的資訊；在一些實際場景下資料的採集成本高且缺失值無法避免，刪除法可 能會造成大量的資源浪費均值填補計算該特徵中非缺失值的平均值（數值型特徵）或眾數（非數值型特 徵），然後使用平均值或眾數來代替缺失值缺點一：均值填補法會使得資料過分集中在平均值或眾數上，導致特徵 的方差被低估 缺點二：由於完全忽略特徵之間的相關性，均值填補法會大大弱化特徵 之間的相關性隨機填補隨機填補是在均值填補的基礎上加上隨機項，透過增加缺失值的隨機性 來改善缺失值分佈過於集中的缺陷。
等距離散化（Equal-Width Discretization）：將資料劃分為等寬間隔的區間，這種方法需要先確定區間的個數n，再根據最小值n和最大值x計算出每個區間的間隔長度（x-n）/n，相鄰兩個區間的寬度都是相同的。等頻率離散化（Equal-Frequency Discretization）：將資料劃分為相同的數量級別，每個區間包含的記錄數相等。這種方法首先將資料按照大小排序，然後將排序後的資料分成n等份，每份個數為資料總數/n，在每個區間的邊界處劃分資料。基於聚類的離散化：將資料分成若干個簇，簇內的資料相似度高，簇間資料相似度低。具體實現時可以使用聚類演算法如k-ans、DBSCAN等。自適應離散化：透過迭代的方式，不斷根據資料的特性調整區間的邊界，以達到最優的離散化效果。下面分別以等距離散化、等頻率離散化、基於聚類的離散化和自適應離散化為例子，分別列出具體的例題：等距離散化假設我們有一個包含1000個學生身高資料的資料集，我們想將身高離散化成10個等寬的區間，以下是離散化方法：計算身高的最小值和最大值，假設最小值為140c最大值為200c計算每個區間的寬度，假設共10個區間，每個區間的寬度為(200-140)/10 = 6c根據每個學生的身高，將其分入相應的區間。等頻率離散化假設我們有一個包含200家公司的財務資料的資料集，我們想將每個公司的營業收入離散化成5個等頻率的區間，以下是離散化方法：將所有公司的營業收入升序排序。計算每個區間的資料數量，在本例中，因為共有200個公司，所以每個區間包含40個公司。找到每個區間的邊界，比如第一個區間的最小值和第二個區間的最大值，這兩個值之間的所有公司的營業收入都屬於第一個區間。
一睜眼，林仟仟成了農家炮灰女。 親娘剛死，繼母帶着她女兒進門了，從此她和三歲的弟弟住進了柴房，一天兩頓稀粥，還要挨打受罵。繼母說：“女孩子家，識什麼字？”轉頭卻給繼妹請了先生。 爺奶偏心小叔，大伯母尖酸刻薄，整日惦記着把她賣個好價錢。親爹呢？站在院里搓着手，屁都不敢放一個。 林仟仟笑了。 牽着弟弟的手往外走。 “分家。” 堂屋裡一片鬨笑：“一個丫頭片子，帶着個拖油瓶，分出去等死？” 她沒回頭。 分家後，她采野菜賣野兔賺了第一桶金。 一個月後，她的木薯澱粉風靡鎮上酒樓。 兩個月後，她買下了村東頭三十畝地。 三個月後，她要翻新老宅推倒重蓋 繼母急了，爺奶慌了，親爹站在院門口來回踱步——那院門，她牽着弟弟走出去那天，就再沒打算回來。 年底，她坐着新打的牛車經過老宅門口，繼母追出來喊她的名字。 她低頭給弟弟擦了擦嘴角的油光，頭都沒抬： “娘？我娘早死了。”
本文為家長里短的種田文。
沒有穿越重生，主角都是沒有金手指的普通人。
主要講述一對小夫妻，靠着勤勞的雙手一點點發家致富，主打細水長流的溫馨日常。
繼母為了五兩彩禮錢，逼田小溪嫁給了隔壁村的瘸子陳家旺，果斷與無良親爹斷絕父女關係，從此再未登過娘家門，就在村中那些長舌婦們等着看她笑話時，當年的三間土坯房，已然換成了青磚瓦房，小日子也蒸蒸日上。
前世。錦寧是永安侯府的直女。
秦天監早就預言她是天生鳳命。
每個人都認為她將成為未來的太子妃，最終登上鳳位。
她本該拿的是，千嬌百寵，榮華一生的劇本。
出乎意料的是，婚姻在即。
永安侯府真正的鳳命直女回來了。
從此，父母討厭她，哥哥討厭她，太子討厭她卑微的出身。
他們都把鳳命直女捧得高高的，然後斷了她的生路，逼她以死殉節。
重來一世。當有人想用一杯媚酒，讓她自斷鳳命。
想起前世，她為保名節自殺而死。
她想，這一次，她不要名節，她要活下去。
於是，她驚慌失措，跌入一人懷中，勾住那人的脖子，主動見面。
那人沉聲問：你知道我是誰嗎？
錦寧朦朧中，看到那人深邃冷肅的眼神，喃喃地喊道：陛下！
皇帝：既知我是誰，還不滾下去！
錦寧：求陛下...疼我。
皇帝...一夜春情，皇帝準備了一本書。
她不認賬，直到幾個月後，珠胎暗結...
【重生復仇 將門嫡女 全家火葬場不原諒 真假千金】
我女扮男裝替父從軍十年，掙得赫赫軍功。
戰爭平定後，我怕女扮男裝暴露，
不得已假死，恢復女兒身回北京與家人團聚。
誰曾想過，家人怕被我連累，已經養了新女兒。
父親說：“你女裝男裝參軍，是欺君之罪，一旦被揭露，就會殺死全家。”
母親說：“作為一個長女，該忍就忍，這就是你的命。”
弟弟說：“這些年來，新姐姐在父母身邊孝順照顧，你要感恩。”
我已經參軍十年了，已經滿身風霜，只渴望家庭的溫暖。
皇帝把我享受不到的隆恩全部還給了家人：
父親被封為一等國公，母親封為一品高貴；
養妹賜婚太子，弟弟是大家稱讚的戰神。
而且我連面都露不出來，否則就是殺害全家的罪人。
饒是我不爭不搶，可養妹出去參加宴會，回來後哭得肝腸寸斷。
“寧王從邊疆回來，說我和哥哥長得一點也不像，娘，我怕，若寧王看見妹妹，..”
母親立刻嚇得臉色蒼白。
這一天，媽媽改變了過去的冷淡，溫柔地遞給我一杯酒慶祝生日，我感動地喝了一杯。
醒來卻被毒啞了嗓子，打斷了十根手指，浪費了全身功夫。
他們竭盡全力奪取我的軍功，一切都是為養女鋪路。
我以命相...
外軟內剛小苦花VS瘋狗帝王
離開後的第六年，盛嫵的前夫君登基為帝。
消息傳到盛嫵第二任夫君家的那一天，婆婆只是給她塞了一封和離書。
換句話說，她曾經是新帝的結髮妻子，江家不敢留住她。
盛嫵覺得婆婆真是多愁善感！
和離後，他娶了心心念念的女人，自己也嫁給了別人。
一別兩寬，斷得徹底。
她認為前夫君當皇帝與自己當江家婦沒有衝突。
又見面了，盛嫵跪在天子威儀之下，自稱臣婦。
皇帝的嘴角蕩漾着一絲微笑，但看着它，微笑逐漸改變了意義，產生了一些兇猛的意義。
後來，在宮廷晚宴上，他的眼睛陰險而狂熱，狂野地抱起她的腰，關上門，一隻手抓住她的肩膀到門上，另一隻手空了下來，放在她白色柔弱的脖子上。
不允許她退，也不允許她咬緊牙關...
註：內含強迫豪奪元素：內含強迫豪奪元素
【虐渣 追妻 1VS1雙潔 女主人男配雙重生 全家火葬場]
皇帝病危，宮中無皇子。
虞知寧嫁靖王世子裴衡三年，琴瑟和鳴，是太後秘密養在外面的女兒。
太後心疼女兒，扶裴衡上位。
註冊前，虞知寧被靖王府以祈福的名義騙到寺里上香，半路被俘，鞭撻三天，受盡屈辱後，被劫匪扔在城門口，鬧得滿城都知。
為了保護面子，裴衡不查真相，反逼她自殺，連同腹中的孩子一屍兩命。
在她生氣之前，她的表妹巧笑着告訴她，劫匪不是劫匪，而是家人假裝為她的表妹找人，抓住她的生命，踩在她的骨頭上，這樣她的表妹就可以佔據她所有的東西。
而這一切，還有裴衡的縱容！
於知寧含恨而死，帶怨重生回到髮夾前一天
她拋繡球改嫁花花花景王世子裴玄。
全京都在等着看笑話
但後來裴玄做了太子，她做了太子妃妃
幾天後，裴衡造反失敗，靖王府全族被抄襲。當囚車經過她時，裴衡紅眼跪在她腳下求原諒：“阿寧，你應該嫁給我！”
外軟內剛小苦花VS瘋狗帝王
離開後的第六年，盛嫵的前夫君登基為帝。
消息傳到盛嫵第二任夫君家的那一天，婆婆只是給她塞了一封和離書。
換句話說，她曾經是新帝的結髮妻子，江家不敢留住她。
盛嫵覺得婆婆真是多愁善感！
和離後，他娶了心心念念的女人，自己也嫁給了別人。
一別兩寬，斷得徹底。
她認為前夫君當皇帝與自己當江家婦沒有衝突。
又見面了，盛嫵跪在天子威儀之下，自稱臣婦。
皇帝的嘴角蕩漾着一絲微笑，但看着它，微笑逐漸改變了意義，產生了一些兇猛的意義。
後來，在宮廷晚宴上，他的眼睛陰險而狂熱，狂野地抱起她的腰，關上門，一隻手抓住她的肩膀到門上，另一隻手空了下來，放在她白色柔弱的脖子上。
不允許她退，也不允許她咬緊牙關...
註：內含強迫豪奪元素：內含強迫豪奪元素
“溫柔”白切黑商賈女 VS “體弱”腹黑世子
[純古言宅斗（無重生、無穿越、無金手指） 先婚後愛 雙潔】
陸昭寧送丈夫平步青雲，加官進爵，卻換來了他的一句話——商賈之女多算計。
結婚兩年後，他想起了白月光嫂子，從未碰過她。哥哥去世後，他迫不及待地想給寡嫂一個孩子，還怪她不夠大方。
非常好！陸昭寧轉身救了他“已死”的哥哥。
全世界都嘲笑她出身微賤，卻不知道，她能治死人，肉白骨！
她想看看，這場鬧劇，如何結束...
...眾所周知，忠勇侯府的顧世子驚才絕絕絕，英俊無雙，文能安邦天下，可惜自幼體弱多病。
唯一的污點是，他強娶了陸昭寧。
幾年後。權傾朝野的男人每天準時下值，雷打不動，皇帝的面子也不給。
——“胡說八道，媳婦總想逃跑，不早點回家，又跑了怎麼辦！”
為了當年的驚鴻一瞥，江清婉隱姓埋名嫁入將軍府，花了半身修為幫秦家改命。
誰知男子曾經回到北京，帶回了美麗華貴的縣主。
婆婆明褒暗貶地逼她讓位，甚至喊了她五年母親的養子，也輕蔑地看着她。
“你是一個商女，怎麼配做我媽媽？”
看透一切的江清婉拋下一紙和離書，收回了對秦家的保佑，讓他們厄運纏身。
本想逍遙離京，卻遇到了身負怪命格的九王爺，竟能幫她恢復修養。
她成了九王爺的幕僚，京城謠言四起，都說她是王府的外室嬌娘。
男人冷着張俊美如仙的臉，充滿了厭惡。
“她只是我邀請的天師。”
後來，江清婉成了著名的東京神算，京中權貴紛紛跪求一卦。
前夫後悔不已，糾纏不清，一聲“婉婉”喊得真心切。
貴氣清冷的九王爺化身醋精加寵妻狂魔，抱着人的小腰宣誓主權。
什麼天師？這是他的小嬌娘。