Analysis of Natural Imagery in Tang Poetry Texts Based on Principal Component Modeling
Notice bibliographique
Résumé
Tang poetry, as a treasure of ancient Chinese literature, contains a wealth of natural imagery, which not only add to the picture sense of Tang poetry, but are also important carriers of the poet's emotions and thoughts.The study outlines the nature imagery from the perspective of Tang poetry, as well as the key elements and intrinsic connections among them, and borrows k-means clustering to categorize the nature imagery groups.In addition, the study improves the principal component model by using index homogenization, homogenization, and entropy weighting, so that it achieves the best dimensionality reduction effect while guaranteeing the integrity of the data of Tang poetry text.The F1 value of SVM and KNN classifiers for classifying the natural imagery and emotional expression of Tang poetry text is more than 0.9 after dimensionality reduction of the method in this paper, which is a good classification performance.Cluster analysis divides the natural imagery of Tang poetry into astronomical imagery, landscape imagery, and animal imagery, which account for 38%, 53%, and 9%, respectively."Old times -bright moon", "Thinking -slanting sun", "Looking back -west wind", "the end of the world -west wind" natural discourse is more likely to form word clusters in the natural imagery of Tang poetry.The analysis of principal component model shows that poets are more willing to express their emotions through natural imagery, and the proportion of neutral emotional expression is 5.17% to 7.43%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».