1) characteristic-word weight tables
类特征词权值表
1.
Firstly,the characteristic-word weight tables of each category are gained out of a mass of law-case training documents which have been categorized already.
系统首先通过大量的法律案例训练文档得到树结构中每个类(叶子类和中间类)的类特征词权值表,然后在此基础上计算新法律案例文档相对于各个类的累加权值,最后累加权值最大并且是叶子类的类即是该法律案例应归入的类。
2) feature weight
特征权值
1.
When feature weight parameters are introduced to the distance formula,the performance will depend on the weight values and accordingly can be improved by adj.
而在距离公式中引入一些特征权值后,其聚类结果将依赖于这些权值,从而可以通过调整这些权值优化聚类效果。
2.
An improved K-means clustering algorithm is proposed,which is based on basic K-means Algorithm,and which choose original clustering centers based on densities and improves clustering effects according to feature weight learning.
本文提出了一种改进的K-均值聚类算法,在基本K-均值算法的基础上运用基于密度选择初始中心点并且通过学习特征权值改进聚类效果,克服了基本K-均值算法初始中心点难以确定、聚类结果不稳定的缺点;然后建立了一种基于改进的K-均值算法的人事管理系统聚类分析模型,本模型采用SQL Server 2000数据库实现并成功运用于国内一家知名软件企业的人力资源管理系统中,为该企业选聘人才和用好人才提供了有益的参考。
3) term weight
特征词权重
1.
To improve the classification performance, this paper does research and improves on the classical algorithm of calculating the term weight in VSM.
为了提高分类性能,本文研究和改进了基于向量空间模型的特征词权重计算方法,同时提出了一种基于类别均衡的k近邻(kNN)分类算法。
4) Weighted Words
加权特征词
5) clustering of feature words
特征词聚类
1.
A text classification method based on clustering of feature words;
一种基于特征词聚类的文本分类方法
6) word surface features
词表层特征
1.
In this paper, a multi-layer retrieval approach of candidate translation examples is proposed based on word surface features and word entropy.
文章基于句子的词表层特征和信息熵提出了一种多层次候选实例模式检索算法,通过在多策略机器翻译系统IHSMTS上的运行测试,结果表明该算法较好的解决了这一难题。
补充资料：权词
1.见"权辞"。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条