一、前言 在上篇文章中，笔者详细讲解介绍了人工智能自然语言处理特征提取中的TD-IDF型文本处理方法，那么接下来，笔者将为大家揭晓，目前阶段，在特征提取，也就是文本数据转成数字数据领域内最常用也是最好用的方法–词嵌入（Word Embedding）。 二、定义，组成和基本介绍 在自然语言处理（NLP）领域，词嵌入（Word Embedding）是一种将词汇映射到向量空间的技术。通过词嵌入，词

1. 停用词过滤 对于 NLP的应用，我们通常先把停用词、出现频率很低的词汇过滤掉。类似于特征筛选的过程。 少于10次或20次的可以作为低频词去掉。   2. 词的标准化操作（主要是英文） stemming：将类似词转换成统一格式，但词不一定是实际词。如 fli， deni。。。PORTSTEMMER lemmazation：与stemming区别是转换成统一格式的词，该词是真实存在的

环境安装： pip install wordcloud -i https://pypi.tuna.tsinghua.edu.cn/simple/ conda install wordcloud# -i 后面加镜像源网站 ​ WordCloud(background_color,repeat,max_words=600,height=480, width=584, max_font_

试验任务概述：如下为所给CSDN博客信息表，分别汇总了'ai', 'algo', 'big-data', 'blockchain', 'hardware', 'math', 'miniprog'等7个标签的博客。对CSDN不同领域标签类别的博客内容进行词频统计，绘制词频统计图，并根据词频统计的结果绘制词云图。 数据表链接：https://download.csdn.net/downloa

标签云或文字云是关键词的视觉化描述，用于汇总用户生成的标签或一个网站的文字内容。标签一般是独立的词汇，常常按字母顺序排列，其重要程度又能通过改变字体大小或颜色来表现，所以标签云可以灵活地依照字序或热门程度来检索一个标签。 大多数标签本身就是超级链接，直接指向与标签相联的一系列条目。[1] 一、数据需求 词云图对数据源的需求比较简单，共有两列数据。一是文字列，存放标签文字；另一是数值列，