网站做的好看的,找什么样的公司帮助做网站,西安网页设计,如何做百度网站推广三河讲python首先来告诉大家下面的Python程序实现了通过从网页抓取一篇文章#xff0c;然后根据这篇文章来生成新的文章#xff0c;这其中的原理就是基于概率统计的文本分析。过程大概就是网页抓取数据-统计分析-生成新文章。网页抓取数据是通过BeautifulSoup库来抓取…三河讲python首先来告诉大家下面的Python程序实现了通过从网页抓取一篇文章然后根据这篇文章来生成新的文章这其中的原理就是基于概率统计的文本分析。过程大概就是网页抓取数据-统计分析-生成新文章。网页抓取数据是通过BeautifulSoup库来抓取网页上的文本内容。统计分析这个首先需要使用ngram模型来把文章进行分词并统计频率。因为文章生成主要依据马尔可夫模型所以使用了2-gram这样可以统计出一个单词出现在另一个单词后的概率。生成新文章是基于分析大量随机事件的马尔可夫模型。随机事件的特点是在一个离散事件发生之后另一个离散事件将在前一个事件的条件下以一定的概率发生。buildWordDict(text)函数接收文本内容生成的内容如下{‘itself’: {‘,’: 1}, ‘night’: {‘sky’: 1}, ‘You’: {‘came’: 1, ‘will’: 1}, ‘railways’: {‘all’: 1}, ‘government’: {‘while’: 1, ‘,’: 1, ‘is’: 1}, ‘you’: {‘now’: 1, ‘open’: 1, ‘down’: 1, ‘with’: 1, ‘.’: 6, ‘,’: 1, ‘that’: 1},主要就是生成一个字典键是文章中所有出现的词语值其实也是一个字典这个字典是所有直接出现在键后边的词语及其出现的频率。这个函数就是ngram模型思想的运用。retrieveRandomWord(wordList)函数的wordList代表的是出现在上一个词语后的词语列表及其频率组成的字典然后根据统计的概率随机生成一个词。这个函数是马尔可夫模型的思想运用。然后运行这个程序会生成一个长度为100的文章如下面所示fail . We will stir ourselves , but we will never before . Do not share one heart and pleasant it back our jobs . We are infused with the orderly and railways all of the gangs and robbed our jobs for their success will determine the civilized world . We will their success will be a great men and highways and millions to all bleed the world . It belongs to great national effort to defend our products , constantly complaining , D . We will be ignored again . It belongs to harness the expense of America .
