Principal Component Analysis Algorithm and Spatial Mapping Construction for Feature Extraction of University Language Text Data
Notice bibliographique
Résumé
With the arrival of the big data era, a huge amount of text data of college language is generated, and how to manage these text data efficiently and mine useful information has become the focus of many scholars.The study first preprocesses and represents the university language text data, proposes a feature screening method based on Shannon entropy and JS-scatter, and then combines the principal component analysis algorithm with the dimensionality reduction of the extracted features on this basis.Subsequently, a pre-trained high-dimensional word vector spatial mapping model is introduced to generate richer semantic representations, and a pre-trained high-dimensional word vector spatial mapping model based on the pre-trained high-dimensional word vector spatial mapping model is designed.Finally, the method proposed in this paper is tested experimentally.Under different feature dimensions, the macro-averages of this paper's method are 72%, 44.2%, 67.1%, and 3.3% higher than those of IG, PMI, ANOVA, and JS methods.At the feature dimension k=350, the macro-mean of this paper's method is 0.853, when the classification effect reaches the optimization.In the spatial mapping relationship of word vectors, the accuracy of the mapping of this paper's method also reaches 11.2% for the words with word frequency sorted from the first 5000 to the first 6000.This proves the effectiveness and feasibility of this paper's method.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».