使用stackoverflow数据转储,我正在分析用pytorch或keras标记的SO帖子。具体来说,我计算每个co标签出现的次数(即pytorch标记的帖子中不是pytorch的标签)。
我想过滤掉那些常见的标签,它们已经失去了我的分析的真正含义(比如python标签)。
我正在研究Tf-idf
TF重申每个文档的单词频率。但是,对于给定的帖子,每个联合标记只能出现一次(即,您无法将帖子'html'标记五次)。所以大多数单词的tf为1/5,而其他单词的tf较小(因为post只有4个标签)。在这种背景下,仍然可以做Tf-Idf吗?
如果要过滤掉常见的标记,可以使用conditional probability
。例如:python
在发布pytorch
的帖子上很常见,所以P(python | pytorch)会很高兴,喜欢:0.9。您可以找到过滤这些标记的阈值。 Association rule learning
比上述更合适,更复杂。