目录书山有路勤为径，学海无涯苦作舟一、安装Pyltp二、依存句法分析获取文本关系书山有路勤为径，学海无涯苦作舟一、安装Pyltp1 安装pyltp需要C的编译环境，需要安装VS2015的软件,自己安装的就2015。2 然后 pip install pyltp3.如果还不能安装 就用VS的命令行 pip install pyltp4 编译失败就要去网上找一个pyltp的whl5 还需要下载data的

书山有路勤为径，学海无涯苦作舟1.建立Python连接需要Py2neo，通过该包，与Python建立连接这个包的版本需要在5以上，不然对应不了pip install py2neo==5.0b1建立连接需要以下代码from py2neo import Graphlink = Graph("http://localhost:7474",username="用户名",password="密码")2.数据

书山有路勤为径，学海无涯苦作舟一、构建共现矩阵和三元组矩阵主要参考杨老师的文章,原文链接,支持老师的原文。老师写的时候还是老版本的Python，所以运行报错，按照现在python的版本修改了下。用作学习用import pandas as pdimport numpy as npimport codecsimport networkx as nximport matplotlib.pyplot as

书山有路勤为径，学海无涯苦作舟1.Neo4安装JDK安装：https://www.oracle.com/java/technologies/javase-downloads.htmlNeo4j安装：https://neo4j.com/download-center/配置好JDK和Neo4j的环境变量安装的时候遇到了不少了坑，安装的时候JDK版本不能太高和太低几次倒腾，最后版本是JDK11的版本，报

Keras的CNN、TextCNN文本分类

书山有路勤为径，学海无涯苦作舟1.RNN网络2.tensorflow构建mnist-RNN网络2.1导入数据集import tensorflow as tfimport numpy as npfrom tensorflow.contrib import rnnfrom tensorflow.examples.tutorials.mnist import input_datasess = tf.Se

论文背景RNN将一句话的每个字拆开，用x1——xT来表示,传统的RNN模型，输入的数据是一个x1数据，输入到一个ceil中进行计算，得到一个输出，将第一个ceil得到的结果输入到第二个ceil中进行计算。通过一个个节点的计算，最终输出结果是包含x1到xT整个输出结果的数据ht，最后通过一个softmax进行分类。这样的结构不需要考虑句子的长度，句子的长度不影响整体的向量的维度。RNN可以处理变长的

书山有路勤为径，学海无涯苦作舟一、数据及文本分析1.1 数据内容data：1.2 停用词停用词1.语料中大量出现⒉没啥大用（不能体现文章内容，还增加了文本特征，干扰分析，删除了也不影响表现文章主要意思）3.留着过年嘛?1.3 TF-IDF：关键词提取1.3.1 TF《中国的蜜蜂养殖》∶进行词频(Term Frequency，缩写为TF)统计出现次数最多的词是---- “的”、“是”、“在”----

如果您使用 Visual Studio Code (VSCode)，还需要修改 VSCode 的配置文件 launch.json，以便在新电脑上进行调试1。修改 pyvenv.cfg 文件中的 home 配置为新电脑上 Python 的安装路径。在新电脑上运行该 Docker 镜像，即可获得相同的 Python 环境。创建一个 Docker 镜像，将 Python 环境和项目一起打包。将生成的 r

递归神经网络简介递归神经网络是在传统的神经网络基础上的改进，普通的神经网络，先进入输入，隐藏层，在输出结果。而RNN网络会考虑数据之间的时间序列关系。加入数据集中有一个时间序列，普通的神经网络并不能考虑这么一个序列，不认为t1和t2和t3之间的关系，每一个操作都是独立来进行的。但是如果是一个时序的数据，数据之间就有相关性，那么网络能不能学习到由于时间的关系，而对最后的结果造成影响呢？这就是RNN的