如何规范Weka中文档的词频

Question

在Weka中，类StringToWordVector定义了一个名为 setNormalizeDocLength 的方法。它规范化文档的词频。我的问题是：

1. “规范文档的词频”是什么意思？
2. Weka如何做到这一点？

一个实际的例子将对我有所帮助。提前谢谢。

Answer 1

查看Weka源代码，这是进行规范化的方法：

private void normalizeInstance(Instance inst, int firstCopy) throws Exception 
{
    double docLength = 0;

    if (m_AvgDocLength < 0) 
    {
        throw new Exception("Average document length not set.");
    }

    // Compute length of document vector
    for(int j=0; j<inst.numValues(); j++) 
    {
        if(inst.index(j)>=firstCopy) 
        {
            docLength += inst.valueSparse(j) * inst.valueSparse(j);
        }
    }     
    docLength = Math.sqrt(docLength);

    // Normalize document vector
    for(int j=0; j<inst.numValues(); j++) 
    {
        if(inst.index(j)>=firstCopy) 
        {
            double val = inst.valueSparse(j) * m_AvgDocLength / docLength;
            inst.setValueSparse(j, val);
            if (val == 0)
            {
                System.err.println("setting value "+inst.index(j)+" to zero.");
                j--;
            }
        }
    }
}

看起来最相关的部分是

double val = inst.valueSparse(j) * m_AvgDocLength / docLength;
inst.setValueSparse(j, val);

因此看起来规范化是value = currentValue * averageDocumentLength / actualDocumentLength。