1C31238H01数字量输入输出模

使用微信扫描二维码分享朋友圈，成交更快更简单！

1C31238H01数字量输入输出模

1C31238H01 数字量输入输出模 

1C31238H01 数字量输入输出模 

1C31238H01 数字量输入输出模 

1FT6105-8AF71-3AG0 

6SC6140-0FE01 462014.9054.01 GE.462000.0022.03 

LE2500 ID.NR. 25147901 251 479 01

SERVAX 0100-M 

SERVOMOTOR 1FK6101-8AZ91-1ZZ9-ZS43

SERVOMOTOR USAGED-021 

V05-10-10-04

SERVOMOTOR GF112M10BF

MSK070C-0150-NN-S1-BG0-NNAN 

KDS 1.1-50-300-W0 

MDF60A0030-3-4-00 MDX60A0030-3-4-00

MDD112B-N-030-N2L-130GA0 R911250481 

EOE13080002 A5E00730540 

MAIN CPU PCB CARD A16B-3200-0042/03B

基于向量空间模型的计算方法

向量空间模型简称VSM，是VectorSpaceModel的缩写，是近些年使用效果较好、且应用较为广泛的一种信息检索模型。在此模型中，文本被看作是由一系列相互立的词语组成的，若文档D中包含词语t1,t2,…,tN，则文档表示为D（t1,t2,…,tN）。由于文档中词语对文档的重要程度不同，并且词语的重要程度对文本相似度的计算有很大的影响，因而可对文档中的每个词语赋以一个权值w，以表示该词的权重，其表示如下：D（t1,w1；t2,w2；…,tN，wN），可简记为D（w1,w2,…,wN），此时的wk即为词语tk的权重，1≤k≤N。这样，就把文本表示成了向量的形式，同时两文本的相似度问题也就可以通过两向量之间的夹角大小来计算了，夹角越大，两文本的相似度就越低。

基于向量空间模型的计算方法假设文本中的词语是相互立的，因而可以用向量的形式来表示，这种表示方法简化了文本中词语之间的复杂关系，也使得文本的相似程度变得可以计算了。向量表示方法中词语的权值应该能够显示出该词语对整个文本的重要程度，一般用经过统计得到的词频来表示；向量的所有分量组合在一起，应该能够将此文本与其他文本区分开。

大量统计结果表明，文本中出现次数多的词语往往是反映句子语法结构的虚词以及文本作者想要阐述某个问题时所用的核心词，如果是围绕同一核心问题的文本，其核心词汇应该是类似的，所以这两类词对文本相似度的计算都是没有用的。因此，高频词和低频词都不适宜做文本的特征词，只有词频介于高频和低频之间的这部分词汇才适合做特征词。

在文本中出现频率较高的词语应该具有较高的权值，因此，在计算词语对文本的权重时，应考虑词语在文本中的出现频率，记为tf。仅考虑这一项是不够的，如果某一词语不仅在一个文本中出现，而是在文本集中的很多个文本中都有出现，例如“的”字在中文文本中的出现频率应该是相当高的，但它对于我们区分各个文本是没有帮助的，也就是说，这样的词语是不具备鉴别能力的。因而，在计算词语权重时还应考虑词语的文档频率（df）,即含有该词的文档数量。由于词语的权重与文档频率成反比，又引出与文档频率成反比关系的倒置文档频率（idf），其计算公式为idf=logN/n（其中N为文档集中全部文档的数量，n为包含某词语的文档数）。由此得出特征词t在文档D中的权重weight(t,D)=tf(t,D)*idf(t)。用tf*idf公式计算特征项的权重，既注重了词语在文本中的重要性，又注重了词的鉴别能力。因此,有较高的tf*idf值的词在文档中一定是重要的,同时它一定在其它文档中出现很少。因此我们可以通过这种方法来选择把那些词语作为文本向量的特征词。