精华内容
下载资源
问答
  • 一、详细释义:n.论题;话题;主题;题目 [C]例句:The topic seemed to have a fascination for her....例句:They discussed the ...二、词义辨析:issue,subject,theme,topic这些名词均有“主题、话题”之。iss...

    一、详细释义:

    n.

    论题;话题;主题;题目 [C]

    例句:

    The topic seemed to have a fascination for her.

    这个题目似乎对她很有吸引力。

    例句:

    They discussed the weather and other topics.

    他们讨论了气候和其他的话题。

    二、词义辨析:

    issue,subject,theme,topic

    这些名词均有“主题、话题”之意。issue指有争论、议论,急需讨论研究的热点话题。subject一般用词,使用广泛。指书籍、文章、演讲、讨论等中所隐含的、暗示的,需要由读者或听众推断的主题或中心话题。theme系正式用词,多指文学、艺术作品的主题,或论文、演说的主题。topic普通用词,含义广泛,但其范畴小于subject。既可指文章、讲话的题目,谈话的内容,又可指提纲中的标题甚至段落的主题或中心思想。

    三、相关短语:

    topic sentence

    段首句,点题句

    四、参考例句:

    His topic is outer space.

    他的主题是外太空。

    What is a topic sentence?

    什么是主题句?

    This is a sensitive topic

    这是一个很敏感的话题.

    You are diverging to another topic.

    你扯到另一个话题上去了。

    No one touched on this topic.

    没人谈及这个话题。

    What general topic were they talking about

    他们大概在谈论什么话题?

    If your topic is serious, be solemn.

    如果话题比较严肃,则要郑重其事。

    Football is their favorite topic of conversation.

    足球是他们最喜欢谈论的话题。

    He talks on forever, jumping from topic to topic like he knows everything.

    他每次都说个没完,从一个主题跳到另一个主题,好像他什么都知道。

    The environment

    is a popular topic these days.

    展开全文
  • MQTT-Topic 主题通配符

    2020-12-08 10:39:20
    使用顶层分隔符在主题中引入结构概念,因此能够为达到该目标,在主题内指定。多层通配符与单层通配符可用于订阅但是不能用于消息发布方的主题内。 顶层分隔符 前向/用于分隔主题树内不同层次,为主题空间提供...

    注:   单层通配符和多层通配符只能用于订阅(subscribe)消息而不能用于发布(publish)消息,层级分隔符两种情况下均可使用。

    订阅也许会包含特殊字符,允许一次订阅多个主题。

         使用顶层分隔符意在主题中引入结构概念,因此能够为达到该目标,在主题内指定。多层通配符与单层通配符可用于订阅但是不能用于消息发布方的主题内。

    顶层分隔符

         前向/用于分隔主题树内不同层次,为主题空间提供层次化的结构。当订阅者指定主题遇到两个通配符时,使用顶层分隔符是十分重要的。

    多层通配符

             #号可以匹配主题内任何层次,例如,订阅finance/stock/ibm/#,可以在以下主题上接收到消息:

         finance/stock/ibm

         finance/stock/ibm/closingprice

         finance/stock/ibm/currentprice

    多层通配符可以代表零或多个层次,因此,finance/#也能够匹配单一finance,其中#代表零层次。顶层分隔符在该上下文环境中是无意义的,因为无层次进行分隔。

         可以指定多层通配符仅仅自己或者在顶层分隔符之后。因此,#与finance/#都是有效的,但是finance#无效。多层通配符在主题树内必须是最后一个使用字符,例如finance/#有效,但是finance/#/closingprice无效。

    单层通配符

         +号仅仅匹配一个主题层次。例如,finance/stock/+匹配finance/stock/ibm与finance/stock/xyz,但是不匹配finance/stock/ibm/closingprice。因为单层次通配符仅仅匹配一个层次,finance/+不匹配finance。

         单层次通配符可用于主题树内任何层次,并与多层次通配符一起使用。必须用于在顶层分隔符之后,除了当自己指定时。因此,+和finance/+ 都是有效的,但是finance+无效。单层通配符可用于主题树最后或者在主题树内,例如,finance/+与finance/+/ibm都是有效的。

     

    主题语义与用法

         搭建一个应用程序时,主题树设计应当考虑以下主题名称语法与语义原则:

    主体必须至少一个字符;

    主题名称大小写敏感,例如,ACCOUNTS与Accounts应当为两个不同主题;

    主题名称可以包括空白字符,例如,Accounts payable为有效主题;

    前导/创建一个独立主题,例如,/finance不同于finance,/finance匹配+/+和/+,但不是+;

    主题内不要包括空字符(Unicode \x 0000)

    展开全文
  • 文/散木一,句子成分(sentence element):我们身边的事物都是由不同部分组成的,一句话也不例外。句子是由不同的词或短语构成的。...(“主”有“主要,主动”之,语是语言,词语之,所以主语就是一句...

    文/散木

    一,句子成分(sentence element):我们身边的事物都是由不同部分组成的,一句话也不例外。句子是由不同的词或短语构成的。这些不同的词或短语在句中各自起着不同的语法或语义作用。各部分之间存在着支配与被支配,修饰与被修饰的关系。这些不同部分就是句子成分。

    1,主语(Subject):一句话的中心,整句话都谈论它的情况。(“主”有“主要,主动”之意,语是语言,词语之意,所以主语就是一句话中最主要的词语。)主语可能是动作的实施者(1),被说明的对象(2),在被动语态中还是动作接受者(3)。一般情况下主语都在句首。

    I like reading.(1)我喜欢阅读,

    She is beautiful. (2)她很漂亮。

    The glass was broken. (3) 杯子被打碎了。

    2,谓语(verb):对主语的情况加以说明,可以表示动作(1),(2)或状态(3)。(谓的意思是“说”,说明主语情况的词语就是谓语。)一般情况下谓语紧跟主语。

    He reads English every morning. (1)他每天读英语。

    The child sat quietly beside his mother. (2)孩子安静地坐在妈妈身边。

    He looks old. (3)他看起来很老。

    3,宾语(object):动作的接受者(1)(2),或动作的结果(3)。(“宾”为宾客,在别人家作客是不能主动提出任何要求的,一切只能听从主人的安排,宾客只能接受这些安排。所以,接受动作的词语就是宾语。)宾语一般在动词后。

    You should eat more vegetables. (1)你应该吃很多的蔬菜。

    The police caught the thief. (2)警察抓住了小偷。

    He has written five letters. (3)他写完了五封信。

    4,表语(complement):说明主语是什么人(1)或物(2),或说明主语的状态(3)。(表有表述,表达之意,表述出主语的情况就是表语。)表语在系动词后。

    My brother is a lawyer. (1)我哥哥是名律师。

    It is a new dress. (2)这是一件新裙子。

    She felt hungry. (3)她很饿。

    5,定语(attribute):修饰或限定名词或代词。(定有‘固定,限定’之意, 对名词进行限定的词语就是定语。)定语可以在名词前,也可在名词后。一般单个形容词或名词作定语时,要放在名词前,各种短语和从句作定语时,要放在名词后。

    Sally is a clever girl. (1)莎莉是个聪明的女孩,

    My house is not so big. (2)我的房子不太大。

    The flowers in the garden are beautiful. (3)花园里的花很漂亮。

    6,状语(adverbial):修饰动词,形容词,副词或整个句子。(状的意思有样子,形状和情况。说明动作是在什么情况下发生的词语就是状语)状语用来说明谓语动词所表示动作发生的时间,地点,原因,结果,目的,条件,等方面的信息。状语的位置非常灵活。可以在句中任何位置。

    He looked at me angrily.他生气地看着我。

    We often have lunch at noon.我们经常中午吃午饭。

    She usually drinks tea in the garden.她经常在花园喝茶。

    Because of his illness, he can work for only two hours each day.因为他有病,每天只能工作两个小时。

    Mr. Li practices English every day in order to study abroad.李老师每天练习英语,为的是出国学习。

    If it doesn’t rain tomorrow, we will go out for a walk in the woods.如果明天不下雨,我们就到树林里散步。

    7,宾语补足语(object complement):表示宾语的动作或状态。一定放在宾语后

    He often asks me to help him with his homework.他经常让我帮他做作业。

    She wanted him to repair their grandson’s bicycle!她想让他修理他们孙子的自行车。

    Byrd at once ordered his men to throw out two heavy food sacks.博德立刻命令他的随从扔掉两个大食物袋子。

    另外,还有同位语appositive,插入语parenthesis,和呼语vocative。

    用这句话记住句子成分的关系。什么样的(定语)人(主语)在何时(状)何地(状)以何种方式(状)出于何种原因(状)为了何种目的(状)以何种条件(状)等做或发生了(谓)什么样的(定)事(宾)

    下面我们就举个例子,He persuaded me to give up smoking. 他劝我戒烟。这句话中,he就是主语,那么主语做了什么事呢?主语persuaded劝说了,劝说了谁呢?劝说了我me 我就是宾语,劝我做什么呢?,劝我戒烟。戒烟是我应该做的事情,我又是宾语,表示宾语的动作就是宾语补足语。ffc97789d9a509ad31128581ce6d5633.png

    展开全文
  • 百度百科这样介绍主题模型,主题模型(topic model)是以非监督学习的方式对文集的隐含语义结构(latent semantic structure)进行聚类(clustering)的统计模型。 简而言之,就是能够获取文本的隐含语义,例如...

    一、文本摘要(主题模型)

            百度百科这样介绍主题模型,主题模型(topic model)是以非监督学习的方式对文集的隐含语义结构(latent semantic structure)进行聚类(clustering)的统计模型。

            简而言之,就是能够获取文本的隐含语义,例如腾讯和NBA,纯粹从统计学意义上,似乎风马牛不相及,但是最近的热点事件,无疑表明它们是存在隐藏意义的,而我们假设这一隐藏语义便是主题。

            简而言之,我们把从A到B的任务,例如"词语"到"相似度",化为A-C-B问题,即"词语"-"主题"-"相似度",抽象来说。常见的主题模型算法,又简到繁,为非负监督矩阵分解(NMF)、潜在语义分析(LSI,本质是奇异值分解SVD)、概率潜在语义分析(pLSI)、隐含狄利克雷分配模型(LDA)。

           文本摘要中使用主题模型的原理在于:摘要,抽取式摘要句子,应该满足于最鲜明、最大化的主题,表示文章的中心思想,主题主旨等。所以我们可以把文本置于主题模型,抽取其中主题概率最大主题所在句子,作为摘要句。

            github项目地址:https://github.com/yongzhuo/nlg-yongzhuo/tree/master/nlg_yongzhuo/text_summarization/extractive_sum/topic_base

             下面详细介绍下各文本摘要之主题模型的实现。

    二、文本摘要之非负监督矩阵分解(NMF)

            非负矩阵分解(NMF),顾名思义,就是非负数矩阵分解为两个非负数矩阵的意思(我们取非负数的两个),你可以理解为是二维的因式分解。公式可以表示为:V = W * H,超级简单的一个算法。

            为什么有用呢?这个火于1999的NMF,唯一的限制条件似乎就是矩阵的元素为非负数了。

            百度百科上这样解释NMF:非负矩阵分解由Lee和Seung于1999年在自然杂志上提出,它使分解后的所有分量均为非负值(要求纯加性的描述),并且同时实现非线性的维数约减。NMF的心理学和生理学构造依据是对整体的感知由对组成整体的部分的感知构成的(纯加性的),这也符合直观的理解:整体是由部分组成的,因此它在某种意义上抓住了智能数据描述的本质.此外,这种非负性的限制导致了相应描述在一定程度上的稀疏性,稀疏性的表述已被证明是介于完全分布式的描述和单一活跃分量的描述之间的一种有效数据描述形式。

           因为纯加性的和稀疏的描述能使对数据的解释变得方便(少量活跃的分量使数据的组成方式变得清晰)与合理(许多物理信号中不可能存在负饷成分),还因为相对稀疏性的表示方式能在一定程度上抑制由外界变化(如:部分遮挡、光照变化和物体的旋转等)给特征提取带来的不利影响,所以NMF已逐渐成为信号处理、生物医学工程、模式识别、计算机视觉和图像工程等研究领域中最受欢迎的多维数据处理工具之一。

            讲得很高深,我竟然无言以对,瞬间感觉自己白活了好久,这么简单的道理都不懂,又瞬间感受到了自然的伟大。我等俗人还是庸俗平凡得理解吧,直观上可以理解为:V被分解为权重矩阵W与系数矩阵H的乘积,那么,系数矩阵H就可以近似表示原始矩阵了,也就是我们常说的降维了。降维的好处就多多了,减小计算量加快计算速度、什么降低内存消耗、数据分析与二维可视化、符合直觉和可解释性。

            记得在大学的时候还写过一篇"基于非负矩阵分解的子空间分类算法研究"文章,至今影响深刻,写的是用NMF进行多源数据分类、半监督文本分类等。

            这么看来,用在文本摘要上就简单了。

            截取的实现代码如下,详情请到github:

    from sklearn.decomposition import NMF
    import numpy as np
    
    arrary_org = np.array([[1, 3, 5, 7, 9],
                           [2, 4, 6, 8, 10],
                           [1, 4, 7, 11, 18],
                           [3, 4, 5, 10, 11],
                           [6, 1, 3, 2, 4]])
    
    nmf_tfidf = NMF(n_components=3, max_iter=320)
    res_nmf_w = nmf_tfidf.fit_transform(arrary_org)  # 基矩阵 or 权重矩阵
    res_nmf_h = nmf_tfidf.components_  # 系数矩阵 or 降维矩阵
    print(res_nmf_w)
    print(res_nmf_h)

           那么,我们得到的系数矩阵,则是主题-句子之间的关系,可用于文本摘要;题外话说一句,权重矩阵可以看成是词语-主题之间的关系,可用于关键词抽取。

            上述实验得到的结果为:

    # 1.权重矩阵
    [[1.99561456 0.03769528 0.92768855]
     [2.19064197 0.33915908 1.32014035]
     [3.94014929 0.01328534 0.        ]
     [2.35460586 0.44811399 1.68201657]
     [0.72884099 2.33034829 0.        ]]
    
    # 2.系数矩阵, 其中3行代表我们假设的3个主题,5列代表5个句子(文本摘要任务)
    [[0.23308465 1.02075584 1.82088679 2.77223548 4.55990793]
     [2.50838191 0.11009464 0.69211444 0.         0.29487349]
     [0.64128912 1.0623294  0.78509361 1.79404758 0.        ]]

            对于主题模型得到的结果,系数矩阵H,也被称为降维后的矩阵。那么,接下来,如何选择,我们犯了难。

            第一种方案,如上所示,我们可以选择某一个最有可能的主题(行),如上所示,主题0(第一行)

            [0.23308465 1.02075584 1.82088679 2.77223548 4.55990793],

            有3个句子的最大主题概率,所以我们就按照主题0(第一行)作为句子主题概率的标准,从大到小,取得最大的k个句子作为文本摘要。

           第二种方案,观察上图,我们分别获取每个句子的最大主题概率(列)[0.23308465,

                                                                                                                       2.50838191,

                                                                                                                       0.64128912],

            然后再依据抽取的每个句子主题概率进行排序。

            第一种方案抽取文本摘要,好处是第一条抽取的句子可能会比较准,而且抽取的k条句子可能会比较相关。而第二种方案,抽取出的句子相似度可能就没那么高了,但是可能会比较全面,比较准确,不会跑偏,不过句子可能会不很连贯,有点儿像MMR。

     

    三、文本摘要之潜在语义分析(LSI,本质是奇异值分解SVD)

            潜在语义分析(LSI),这个诞生于1990年的算法,比NMF诞生的还要早,顾名思义,是因为能够解决词语上下文之间存在的关系,能够得到词语间的潜在语义,而得名的。要知道,传统的统计模型,如one-hot,如tf-idf、如bm25等,是没有上下文信息的,正如你不能通过tf-idf获取电脑和鼠标间的关系。

            潜在语义分析(LSI),又叫LSA,采用的是一种奇异值分解(SVD)的技术,

            公式可以表示为:X = U e V。

            其中X为m*n矩阵,U为m*m正交矩阵,e为m*n的对角矩阵,V为n*n的正交矩阵。可以发现,公式和NMF差别不大,中间多了个e。

            为了降维(除噪保存主特征等),选择对角矩阵e中的最大的k个特征值,k<<min(m,n),这这样子既保存了主特征,又降低了维度,则各个矩阵变成X≈U e V,其中X为m*n矩阵,U为m*k正交矩阵,e为k*k的对角矩阵,V为k*n的正交矩阵。

            不难发现,我们首先对矩阵X进行SVD奇异值分解,求得U, e, V等,然后在取U,e, V的最大的k维作为子矩阵存储。可以发现,k既是主题

            与NMF对应,U就相当于NMF非负矩阵分解中的权重矩阵W,对应词-主题权重等;V就相当于NMF非负矩阵分解中的系数矩阵H,对应主题-句子权重等。

     

    四、文本摘要之隐含狄利克雷分布主题模型(LDA)

     

     

     

    参考/感谢:

    奇异值分解SVD原理:https://www.cnblogs.com/lantingg/p/7844605.html

    奇异值分解SVD物理意义:https://blog.csdn.net/c2a2o2/article/details/70159320

    奇异值分解SVD与降维:https://www.cnblogs.com/pinard/p/6251584.html

     

     

     

     

     

     

     

     

     

    展开全文
  • 題目:假如你是個教授,要安排幾個... lecture的長度的固定的(L),問怎麼安排topic使得lecture數量最小,不滿度最小;  不滿度與課程結束剩餘時間t有關:  ① 1 ≤ t ≤ 10時為 -C(常數);  ② 超過
  • 思维导图的使用

    2016-11-01 10:36:00
    可定制: Layout(布局) Topic Line Style(主题线型...可为某一个区域增加边界(boundary),以示整体之 1. 快捷键 Insert Subtopic(增加子项): insert ctrl + enter Insert Topic(增加同级项): e...
  • Kafka消费顺序保证

    2020-04-20 13:02:13
    Opticalix关注 0.0972019.02.19 17:35:07字数 874阅读 7,752 在实现事件流流经Kafka时遇到了这个问题,即如何满足消息按produce顺序去consume。 概念&问题 ...可理解为字面“主题”。 Pa...
  • kafka的ack确认机制

    2021-03-30 21:51:36
    ack(acknowledgemen 确认收到) A1 目的 为了保证producer发送的数据能可靠的发送到指定的...Leader维护了一个动态的in-sync replica set (ISR),为和leader保持同步的follower集合。follower长时间不同步,被踢出I
  • 名称:canal [kə'næl] ...译: 水道/管道/沟渠 语言: 纯java开发 定位: 基于数据库增量日志解析,提供增量数据订阅&消费,目前主要支持了mysql 关键词: mysql binlog parser / real-time / queue&topic;
  • j2se 基础

    2010-07-10 17:17:00
    j2se 基础转自:http://www.javathinker.org/bbs/topic.jsp?db=11&topic=4301 1、标识符 Java对各种变量、方法和类等要素命名时使用的字符序列称为标识符 记:约定俗成,Java表示符选取因注意“见名思”且不能与...
  • Type: 交换机类型 direct topic fanout headers等 Durability: 是否要持久化 true为持久化 AutoDelete: 当最后一个绑定到Exchange的队列删除后,自动删除该Exchange Internal: 当前Exchange...
  • TMU_BME_2013 Topic: 如何使用 MATLAB 求 解常微分方程组 a.What ? 微分方程 指描述未知函数的导数与自变 量之间的关系的方程未知函数是一元函 数的微分方程称作 常微分方程 未知函数 是多元函数的微分方程称作 偏...
  • java学习笔记

    2008-07-28 19:31:46
    转自:...记:约定俗成,Java表示符选取因注意“见名思”且不能与Java语言的关键字重名。 标识符命名规则: &#61548; 标识符由字母、下划线“_”、美元“$”或数字组成。...
  • 转自http://topic.csdn.net/t/20061104/11/5132685.html,谢谢 Bit为“位”或“比特”,是计算机运算的基础,属于二进制的范筹; Byte为“字节”,是计算机文件大小的基本计算单位; 这两者应用的场合不同。...
  • android MQTT的使用及demo

    千次阅读 2018-07-18 16:55:30
    Message Queuing Telemetry Transport,为消息队列遥测传输,是IBM开发的一个即时通讯协议。. 功能是共用一个服务器,所有客户端只要订阅了同一个topic,只要其中一个publish,则其他所有订阅了的客户端都能收到推...
  • 转自:http://www.iteye.com/topic/1112948 作者 helloandroid 大好人也,还开放了源码,愿好人有好...Android腾讯微薄客户端开发 一系列供15讲,更多内容请到javaeye阅读,这里转载是为了本人更方便查看,无他
  • 说明:本文在对源码进行分析,说明Spark SQL加载kafka数据并将查询结果写出到kafka的过程,如果错误,欢迎指出,大家共同进步 ^ _ ^。 一、加载kafka数据的代码样例 // 这段代码加载kafka数据源,指定了数据源格式...
  • canal安装和使用

    千次阅读 2018-06-26 17:23:44
    canal安装和使用Canal介绍名称:canal 译: 水道/管道/沟渠语言: 纯java开发定位: 基于数据库增量日志解析,提供增量数据订阅&amp;消费,目前主要支持了mysql关键词: mysql binlog parser / real-time / ...
  • 转自:https://github.com/alibaba/canal项目介绍名称:canal [kə'næl]译: 水道/管道/沟渠语言: 纯java开发定位: 基于数据库增量日志解析,提供增量数据...topic工作原理mysql主备复制实现从上层来看,复制...
  • Mongoose 参考手册

    2015-06-21 23:19:00
    转自:https://cnodejs.org/topic/548e54d157fd3ae46b233502 Mongoose 是什么? 一般我们不直接用MongoDB的函数来操作MongoDB数据库 Mongose就是一套操作MongoDB数据库的接口. ...可以说是数据属性模型(传统...
  • 本文来自于腾讯bugly开发者社区,非经...话说我们做程序员的,都应该多少是个懒人,我们总是想办法驱使我们的电脑帮我们干活,所以我们学会了各式各样的语言来告诉电脑该做什么——尽管,他们有时候也会误会我们的...
  • RGBA颜色与兼容性的半透明背景色 ...by zhangxinxu from http://www.zhangxinxu.com 本文地址:http://www.zhangxinxu.com/wordpress/?p=839 简单说下RGBA颜色 所谓RGBA颜色,顾名思就是R+G+B+A的颜色,...
  • 牛人对代码的诠释

    2011-11-05 18:55:10
    不在高,通过就行; 码不在深,有包则灵。 斯是机房,唯吾劳心。 符号找不到,变量未声明。 标点被期待,错误遍荧屏。 可以抛异常,改指令。 无出错之乱耳,无修复之劳形; 编译虽通过,预期未执行。 机子...
  • 类成员函数指针浅析

    千次阅读 2010-03-24 08:34:00
    有这样一行代码: typedef CPB_RETVAL (CPBprb_Prb::*CPBprb_action)(CPBprb_Prb &, unsigned); 其中CPB_RETVAL是一个enum类型,CPBprb_...因不知这行代码所为何,遂在论坛发贴请教http://topic.csdn.net/u/2008090
  • 首先,感谢博主的总结,转载自微信小程序club茂茂,地址:http://www.wxappclub.com/topic/735下面正式:一、介绍flex是flexible box的缩写,为弹性布局。flexible box是CSS3新增加的,用来为盒模型提供最大的灵活...
  • http://www.iteye.com/topic/11269291. flounders -- 发表时间:2012-09-25 如题,希望大侠们指出,不能用Spring就觉得他什么都好,本帖子在实际工作中,对是否将Spring引入项目及如何更好的使用Spring提出启发式...
  • 干炒干抄不留痕

    2006-11-14 14:52:00
    http://www.iteye.com/my_topic/34214 [img]... 说 ...[quote]招聘频道不是技术区,所以转贴可以。...言下之, 技术区绝对不许有lin...

空空如也

空空如也

1 2 3
收藏数 43
精华内容 17
关键字:

topic意