㈠ 文本的基本特徵有哪些
特徵：文本總是指一種實際的語言系統，它不是指理想的具有普遍性的社會語言結構，而是指特定個體或群體在社會生活中對語言的具體運用；文本要通過傳達人生體驗而表達相對完整的意義，呈現的目的是表達某種相對完整的意義；文本有待於讀者閱讀和接受，文本是有待讀者閱讀的包含完整意義的實際語言系統。
文學文本總是指一種實際的語言系統。它不是指理想的具有普遍性的社會語言結構，而是指特定個體或群體在社會生活中對語言的具體運用。這里的個體主要指具體的個人如作家，而群體則主要針對某些文本的集體作者而言，如遠古口頭文學、史詩的作者往往是一個群體，當代城鄉民謠也總是出自群體之口。
文學文本要通過傳達人生體驗而表達相對完整的意義。它通過語言而呈現體驗，但這種呈現的目的是表達某種相對完整的意義，或者說有足夠的信息能讓讀者體驗到一種相對完整的意義。如果其意義不完整，則不能稱做文學文本。
文學文本有待於讀者閱讀和接受。如果它僅僅停留於作者頭腦里，而無法由任何一位讀者讀到並感受到，則只是一種不確定心理過程，不足以成為文學文本。總之，文學文本是有待讀者閱讀的包含完整意義的實際語言系統。
㈡ 文本特徵提取
在對文本數據進行處理時，很大一部分精力都用在數據集的特徵提取上，因此記錄一下常用的文本特徵提取方法。
文本特徵提取一般分為兩部分
（1）文本本身屬性：母音字數數、輔音字母數、···
（2）基於文本的特徵提取：TF-IDF等
比如提取以上文檔的特徵，基於文本本身可以提取特徵：
（1）字數：統計每一行text文本的詞彙數量（有多少個單詞）
（2）非重復單詞數量：統計每一行text文本中只出現一次的單詞個數
（3）長度：每一行text的長度,佔了多少存儲空間（包含空格、符號、字母等的長度）
（4）停止詞數量統計：between、but、about、very等詞彙的數量統計
（5）標點符號數量：每一行text中包含的標點符號數量
（6）大寫單詞數量：統計大寫單詞數量
（7）標題式單詞數量：統計單詞拼寫首字母是否為大寫,且其他字母為小寫的單詞數量
（8）單詞的平均長度：每一行text中每個單詞長度的平均值
這些特徵的提取不涉及復雜的函數計算，基於文本本身屬性提取直觀信息作為模型訓練的特徵。
·
TF-IDF演算法 ：計算單詞權重最為有效的實現方法就是TF-IDF, 它是由Salton在1988 年提出的,以特徵詞在文檔d中出現的次數與包含該特徵詞的文檔數之比作為該詞的權重。
python中使用TfidfVectorizer函數實現TF-IDF特徵的提取，生成每個text的TF-IDF特徵。
·
經過TF-IDF特徵提取後，數據集的特徵變數超級多（TF-IDF計算了整個數據集出現的所有單詞對每個test的權重），面對這樣龐大的特徵數據，可以通過SVD實現對數據集的壓縮。
SVD的原理是將龐大的TF-IDF生成的數據集A進行拆分，設置K值（想要壓縮得到的維度，例如K=20，壓縮後得到20列的特徵數據集）X就是只有K個特徵轉換後的數據集。
經過壓縮後的TF-IDF只有K列，與01中 基於文本本身特徵 合並，即為文本數據集的特徵向量。
㈢ 基於內容的圖像檢索的特徵提取
基本體整體趨包含顏色、紋理、平面空間對應關系、外形，或者其他統計特徵。 圖像特徵的提取與表達是基於內容的圖像檢索技術的基礎。從廣義上講，圖像的特徵包括基於文本的特徵（如關鍵字、注釋等）和視覺特徵（如色彩、紋理、形狀、對象表面等）兩類。視覺特徵又可分為通用的視覺特徵和領域相關的視覺特徵。前者用於描述所有圖像共有的特徵，與圖像的具體類型或內容無關，主要包括色彩、紋理和形狀；後者則建立在對所描述圖像內容的某些先驗知識（或假設）的基礎上，與具體的應用緊密有關，例如人的面部特徵或指紋特徵等。 顏色是彩色圖像最底層、最直觀的物理特徵，通常對雜訊，圖像質量的退化，尺寸、解析度和方向等的變化具有很強的魯棒性，是絕大多數基於內容的圖像和視頻檢索的多媒體資料庫中使用的特徵之一。顏色特徵的描述方法主要有以下四種：
顏色直方圖(ColorHistogram)
它是最簡單也是最常用的顏色特徵，描述了圖像顏色的統計分布特性，具有平移、尺度、旋轉不變性。其核心思想是在顏色空間中採用一定的量化方法對顏色進行量化，然後統計每一個量化通道在整幅圖像中所佔的比重。
常用的顏色空間有RGB，CIE，HSI，HSV空間等，主要的量化方法有最重要信息位、顏色空間劃分、顏色空間聚類、參考顏色、圖像分割等，文獻中討論了對這些方法進行了討論和總結。 由於顏色直方圖缺乏顏色的空間分布信息，改進的方法包括在顏色索引時加入空間位置信息和基於區域的顏色查詢。最簡單的方法是子窗口直方圖法，即將圖像分割成子圖像，一一建立索引。另一文獻中將圖像分成了大小相等的九個子圖像，然後統計每個子圖像中的顏色直方圖。
顏色相關圖(ColorCorrelogram)
其主要思想是用顏色對相對於距離的分布來描述信息，它反映了像素對的空間相關性，以及局部像素分布和總體像素分布的相關性，並且容易計算，特徵范圍小，效果好。
顏色矩(ColorMoment)
其基本思想是在顏色直方圖的基礎上計算出每個顏色通的均值、方差、偏差，用這些統計量替代顏色的分布來表示顏色特徵。它具有特徵量少，處理簡單的特點。
顏色一致性矢量(Color Coherence Vectors, CCV)
本質上是一種引入空間信息改進的直方圖演算法，統計了圖像中各顏色最大區域的像素數量。通過分離開一致性像素和非一致性像素，比直方圖演算法具有更好的區別效果。 紋理是圖像的重要特徵之一，通常定義為圖像的某種局部性質，或是對局部區域中像素之間關系的一種度量，其本質是刻畫像素的鄰域灰度空間分布規律。紋理特徵描述方法大致可以分為四類：統計法、結構法、模型法、頻譜法。
統計法
統計法分析紋理的主要思想是通過圖像中灰度級分布的隨機屬性來描述紋理特徵。最簡單的統計法是藉助於灰度直方圖的矩來描述紋理，但這種方法沒有利用像素相對位置的空間信息。
為了利用這些信息，Haralick 等人提出了用共生矩陣來表示紋理特徵。 該方法研究了紋理的空間灰度級相關性，構造出一個基於圖像像素間方向和距離的共生矩陣，並且從矩陣中提取出反差、能量、熵、相關等統計量作為特徵量表示紋理特徵。
Tamura 等人基於人類視覺的心理學研究後提出了一些不同的方法來描述紋理特徵，給出了幾個不同的描述紋理特徵的術語：粗糙度(Coarseness) 、對比度(Contrast) 、方向(Directionality) 、線性度(Linelikeness) 、規則度(Regularity) 、粗略度(Roughness) 等。Tamura 紋理和共生矩陣表示的主要區別在於:前者的所有紋理屬性都是視覺意義上的，而後者的某些紋理屬性不具有視覺意義(如信息熵) 。這一特點使得Tamura 的紋理表示在圖像檢索中使用得較多。QBIC 和MARS都進一步證明了這種表示方法。
結構法
結構法分析紋理的基本思想是假定紋理模式由紋理基元以一定的、有規律的形式重復排列組合而成，特徵提取就變為確定這些基元並定量分析它們的排列規則。Carlucci曾提出一個使用直線段、開放多邊形和封閉多邊形作為紋理基元的紋理模型，其排列規則由一種圖狀語法結構定義。 Lu and Fu給過一種樹型語法結構表示紋理，他們將紋理按照9 ×9 的窗口進行分割，每個分解單元的空間結構表示為一棵樹。 因為實際的紋理大都是無規則的，因此結構法受到很大限制。
模型法
模型法利用一些成熟的圖像模型來描述紋理，如基於隨機場統計學的馬爾可夫隨機場、子回歸模型，以及在此基礎上產生的多尺度子回歸模型 (MultiResolution Simultaneous Autoregressive, MRSA) 等。這些模型的共同特點是通過少量的參數表徵紋理。MRSA 區分不同紋理模式的能力較強，但同時計算開銷也較大。
頻譜法
頻譜法藉助於頻率特性來描述紋理特徵，包括傅里葉功率譜法 、Gabor 變換 、塔式小波變換( Pyramid Wavelet Transform ，PWT) 、樹式小波變換( Tree Wavelet Transform，TWT) 等方法。Manjunath and Ma 實驗指出， Gabor 特徵提供了最佳的模式檢索精度，檢索性能優於TWT 和PWT，略微優於MRSA ，缺點是計算速度慢，其旋轉不變性和尺度不變性仍有待討論。 形狀是刻畫物體最本質的特徵，也是最難描述的圖像特徵之一，主要難在對圖像中感興趣目標的分割。對形狀特徵的提取主要是尋找一些幾何不變數。目前用於圖像檢索的形狀描述方法主要有兩類:基於邊緣和基於區域的形狀方法。前者利用圖像的邊緣信息，而後者則利用區域內的灰度分布信息。
基於邊緣
基於邊緣的形狀特徵提取是在邊緣檢測的基礎上，用面積、周長、偏心率、角點、鏈碼、興趣點、傅里葉描述子、矩描述子等特徵來描述物體的形狀，適用於圖像邊緣較為清晰、容易獲取的圖像。文獻[16]首先對圖像進行了高斯平滑，接著使用經典的興趣點檢測演算法發現興趣點，然後用興趣點的測度值作為圖像特徵進行匹配。文獻 提出將圖像邊緣上的角點作為特徵點，然後使用Delaunay三角形進行劃分，記錄三角形的形狀特徵來描述圖像的形狀特徵。這種方法由於是基於邊緣上的一些特殊點，因此對雜訊和點位置的變化較為敏感。文獻採用邊緣方向直方圖來刻畫形狀特徵，具有簡單、平移不變性等優點，但也存在不具備尺度、旋轉不變性等缺點。
基於區域
基於區域的形狀特徵提取的主要思路是通過圖像分割技術提取出圖像中感興趣的物體，依靠區域內像素的顏色分布信息提取圖像特徵，適合於區域能夠較為准確地分割出來、區域內顏色分布較為均勻的圖像。文獻應用變形模板技術，把用戶提供的形狀看作模板，與圖像庫中的形狀進行匹配。由於是直接比較兩個形狀，因此具有較高的精度，但同時計算量也較大。 文獻提出了一種形狀彈性匹配演算法，首先確定感興趣區域，在這些區域中採用爬山優化演算法獲取圖像邊緣，並用這些邊緣代表物體形狀。 這種方法的優點是對圖像邊緣進行了篩選，缺點是需要人工干預。近年來，基於區域的圖像檢索方法已經成為基於內容的圖像檢索的一大研究熱點。
㈣ 簡述網頁設計中的圖像與周邊文字有幾種對齊方式及其特點
網頁中的常見元素主要包括以下幾種類型：文本、圖象、動畫、視頻音樂、超鏈接、表格、表單和各類控制項等。一、文本：文字能准確地表達信息的內容和含義，且同樣信息量的文本位元組往往比圖象小，比較適合大信息量的網站。二、圖像：在網頁中使用GIF,JPEG(JPG),PNG三種圖象格式，其中使用最廣泛的是GIF和JPEG兩種格式。說明：當用戶使用所見即所得的網頁設計軟體在網頁上添加其他非GIF,JPEG,或PNG格式的圖片並保存時，這些軟體通常會自動將少於8位顏色的圖片轉化為GIF格式，或將多於8位顏色的圖片轉化為JPEG.另外，JPG圖片是靜態圖，GIF則可以是動態圖片三、動畫：主要指由FLASH軟體製作的動畫,由於其是准流媒體文件,加上矢量動畫,文件小,使其在網路運行具有強大優勢,是網頁設計者必學的軟體。四、聲音和視頻：用於網路的聲音文件的格式非常多，常用的有MIDI、WAV、MP3和AIF等。很多瀏覽器不要插件也可以支持MIDI,WAV和AIF格式的文件，而MP3和RM格式的聲音文件則需要專門的瀏覽器播放。視頻文件均需插件（如REALONE、MEDIAPLAYER）支持，用於網路的視頻格式主要有ASF、WMV、RM等流媒體格式。五、超級鏈接：從一個網頁指向另一個目的端的鏈接。六、表格：在網頁中表格用來控制網頁中信息的布局方式。這包括兩方面：1、是使用行和列的形式來布局文本和圖像以及其他的列表化數據；2、是可以使用表格來精確控制各種網頁元素在網頁中出現的位置。七、表單：用來接受用戶在瀏覽器端的輸入，然後將這些信息發送到用戶設置的目標端。表單由不同功能的表單域組成，最簡單的表單也要包含一個輸入區域和一個提交按鈕。根據表單功能與處理方式的不同，通常可以將表單分為用戶反饋表單，留言簿表單，搜索表單和用戶注冊表單等類型。八、導航欄：導航欄就是一組超級鏈接，這組超級鏈接的目標就是本站點的主頁以及其他重要網頁。導航欄的作用就是引導瀏覽者游歷站點，同時首頁的導航欄，對搜索引擎的收錄意義重大。九、網頁中除了以上幾種最基本的元素之外，還有一些其它的常用元素，包括懸停按鈕，Java特效，ActiveX等各種特效。它們不僅能點綴網頁，使網頁更活潑有趣，而且在網上娛樂，電子商務等方面也有著不可忽視的作用。
㈤ 04 特徵工程 - 特徵轉換 - 文本特徵屬性轉換
03 特徵工程 - 特徵轉換 - 分詞、Jieba分詞
機器學習的模型演算法均要求輸入的數據必須是數值型的，所以對於文本類型的特徵屬性，需要進行文本數據轉換，也就是需要將文本數據轉換為數值型數據。常用方式如下：
1、詞袋法(BOW/TF)
2、TF-IDF(Term frequency-inverse document frequency)
3、HashTF
4、Word2Vec(主要用於單詞的相似性考量)
詞袋法(Bag of words, BOW)是最早應用於NLP和IR領域的一種文本處理模型，該模型忽略文本的語法和語序，用一組無序的單詞(words)來表達一段文字或者一個文檔，詞袋法中使用單詞在文檔中出現的次數(頻數)來表示文檔。
詞集法(Set of words, SOW)是詞袋法的一種變種，應用的比較多，和詞袋法的原理一樣，是以文檔中的單詞來表示文檔的一種的模型，區別在於：詞袋法使用的是單詞的頻數，而在詞集法中使用的是單詞是否出現，如果出現賦值為1，否則為0。
在詞袋法或者詞集法中，使用的是單詞的詞頻或者是否存在來進行表示文檔特徵，但是不同的單詞在不同文檔中出現的次數不同，而且有些單詞僅僅在某一些文檔中出現(eg：專業名稱等等)，也就是說不同單詞對於文本而言具有不同的重要性，那麼，如何評估一個單詞對於一個文本的重要性呢？
1、單詞的重要性隨著它在文本中出現的次數成正比增加，也就是單詞的出現次數越多，該單詞對於文本的重要性就越高。
2、同時單詞的重要性會隨著在語料庫中出現的頻率成反比下降，也就是單詞在語料庫中出現的頻率越高，表示該單詞與常見，也就是該單詞對於文本的重要性越低。
TF-IDF(Term frequency-inverse document frequency)是一種常用的用於信息檢索與數據挖掘的常用加權技術，TF的意思是詞頻(TermFrequency)，IDF的意思是逆向文件頻率(Inverse DocumentFrequency)。
TF-IDF可以反映語料中單詞對文檔/文本的重要程度。
假設單詞用t表示，文檔用d表示，語料庫用D表示，那麼N(t,D)表示包含單詞t的文檔數量，|D|表示文檔數量，|d|表示文檔d中的所有單詞數量。N(t,d)表示在文檔d中單詞t出現的次數。
TF-IDF除了使用默認的tf和idf公式外，tf和idf公式還可以使用一些擴展之後公式來進行指標的計算，常用的公式有：
有兩個文檔，單詞統計如下，請分別計算各個單詞在文檔中的TF-IDF值以及這些文檔使用單詞表示的特徵向量。
不管是前面的詞袋法還是TF-IDF，都避免不了計算文檔中單詞的詞頻，當文檔數量比較少、單詞數量比較少的時候，我們的計算量不會太大，但是當這個數量上升到一定程度的時候，程序的計算效率就會降低下去，這個時候可以通過HashTF的形式來解決該問題。HashTF的計算規則是：在計算過程中，不計算詞頻，而是計算單詞進行hash後的hash值對應的樣本的數量(有的模型中可能存在正則化操作)；
HashTF的特點：運行速度快，但是無法獲取高頻詞，有可能存在單詞碰撞問題(hash值一樣)
在scikit中，對於文本數據主要提供了三種方式將文本數據轉換為數值型的特徵向量，同時提供了一種對TF-IDF公式改版的公式。所有的轉換方式均位於模塊： sklearn.feature_extraction.text
05 特徵工程 - 預設值填充
㈥ word中圖片和文字層次關系有哪三種
word文檔可以插入圖片。圖片與文本的位置關系有七中情況，分別是嵌入型、四周型環繞、緊密型環繞、穿越型環繞、上下型環繞、襯於文字下方、浮於文字上方。
七種位置關系
工具：Word2013
一、嵌入型
特點：
圖片不能任意移動，（要拖動的話，必須按住滑鼠左鍵，把游標移到段落標記處，再釋放滑鼠。）
打開APP查看高清大圖
嵌入型
優點：便於排版
缺點：圖片左右不能輸入文字，浪費紙張
二、四周型環繞
特點：文字環繞在圖片四個控點的四周
打開APP查看高清大圖
四周環繞型
優點：節約紙張
缺點：增加了閱讀障礙
三、緊密型環繞
特點：文字環繞在圖片四周，文字與圖片的距離小。
緊密型環繞
優點：節約紙張
缺點：增加了閱讀障礙
四、穿越型環繞
特點：文字環繞在圖片四周，有一部分文字穿越到圖片的空白處
打開APP查看高清大圖
穿越型環繞
註：這種情況用的極少，因為很少有這種類型的圖片
五、上下型環繞
特點：文字分布在圖片的上面和下面，左右沒有文字
打開APP查看高清大圖
上下型環繞
上下型與嵌入型的區別：
1.圖片可以上下左右任意拖動
2.左右兩邊沒有任何文字
六、襯於文字下方
特點：此時圖片相當於背景
打開APP查看高清大圖
襯於文字下方
適用范圍：圖片與文字的顏色區分度較大。
七、浮於文字上方
特點：圖片把文字遮住了，一般用的很少很少。
㈦ solidworks工程圖中 如何將技術要求等文本內容添加到庫特徵
在要添加到庫的技術文本上右鍵，選擇添加到庫，如下圖，設置一下即可
如有問題請追問
㈧ 圖片和文字如何排版，才能讓PPT更加美觀
圖片，是幻燈片製作不可或缺的元素，也是提高幻燈片視覺效果的關鍵。圖片使用好，幻燈片會顯得更加大氣，更具有美感。反之，則會讓幻燈片減分。
在圖片的使用中，最為核心的部分就是圖文的排版，尤其是只有一張圖片全圖型PPT，如何排版，就很能看出一個人的構圖能力。
01 如果只有一張圖片，而且圖片有比較「純凈」地方，可以直接在純凈處輸入文字，為了體現一點不一樣，我加一些線條，以增加設計感。
02 在如果圖片沒有干凈的地方，可以給圖片添加一個蒙版，也就是一個半透明的色塊，以降低背景對於文字信息的干擾。(蒙版的使用前面提過很多，不會的可以看往期文章。)
03 如果背景干擾很大，又不想使用蒙版，可以在圖片上加一個白色色塊，然後在上面輸入文本，這樣做，既可以保證圖片的高質量，又可以看清正文內容。我喜歡給圖片加一條線條，用來增加幻燈片的設計感。
04 如果圖片尺寸不夠鋪滿整個頁面，可以先鋪滿一邊，然後用矩形色塊補充，不過色塊的顏色有講究。一般情況下，黑白灰比較保險，當然，最好的辦法就是從圖片中取色。
05 為了避免版式的重復性，除了使用矩形色塊，我們還可以考慮其他的圖形，比如平行四邊形，梯形，圓形等。排版時，要特別注意形狀的大小，以及文本的位置，最主要的是要注意對齊。
㈨ 文本特徵提取
文本特徵提取：
詞袋法：
兩個API：
相比之下，文本條目越多，Tfidf的效果越明顯
㈩ 計算機插入圖片後圍繞文字類型的特徵
解答如下；
Word文檔中，圖片的文字環繞方式一共有7種，分別為:嵌入型、四周型、緊密型、穿越型、上下型、襯於文字下方、浮於文字上方;
嵌入型:Word將嵌入的圖片看作文本中的一個普通字元來對待，圖片的左右都有文字，並且將跟隨文本的變動而變動。
上下型:文字位於圖片的上方、下方，圖片和文字涇渭分明，顯得版面很整潔。
四周型:文字在圖片方形邊界框四周環繞。不管圖片是四四方方的還是凹凸不平的，四周型的圖片本身佔有一個矩形空間;
緊密型:文字緊密環繞在實際圖片的邊緣，不是環繞於圖片邊界。