㈠ 文本的基本特征有哪些
特征：文本总是指一种实际的语言系统，它不是指理想的具有普遍性的社会语言结构，而是指特定个体或群体在社会生活中对语言的具体运用；文本要通过传达人生体验而表达相对完整的意义，呈现的目的是表达某种相对完整的意义；文本有待于读者阅读和接受，文本是有待读者阅读的包含完整意义的实际语言系统。
文学文本总是指一种实际的语言系统。它不是指理想的具有普遍性的社会语言结构，而是指特定个体或群体在社会生活中对语言的具体运用。这里的个体主要指具体的个人如作家，而群体则主要针对某些文本的集体作者而言，如远古口头文学、史诗的作者往往是一个群体，当代城乡民谣也总是出自群体之口。
文学文本要通过传达人生体验而表达相对完整的意义。它通过语言而呈现体验，但这种呈现的目的是表达某种相对完整的意义，或者说有足够的信息能让读者体验到一种相对完整的意义。如果其意义不完整，则不能称做文学文本。
文学文本有待于读者阅读和接受。如果它仅仅停留于作者头脑里，而无法由任何一位读者读到并感受到，则只是一种不确定心理过程，不足以成为文学文本。总之，文学文本是有待读者阅读的包含完整意义的实际语言系统。
㈡ 文本特征提取
在对文本数据进行处理时，很大一部分精力都用在数据集的特征提取上，因此记录一下常用的文本特征提取方法。
文本特征提取一般分为两部分
（1）文本本身属性：元音字数数、辅音字母数、···
（2）基于文本的特征提取：TF-IDF等
比如提取以上文档的特征，基于文本本身可以提取特征：
（1）字数：统计每一行text文本的词汇数量（有多少个单词）
（2）非重复单词数量：统计每一行text文本中只出现一次的单词个数
（3）长度：每一行text的长度,占了多少存储空间（包含空格、符号、字母等的长度）
（4）停止词数量统计：between、but、about、very等词汇的数量统计
（5）标点符号数量：每一行text中包含的标点符号数量
（6）大写单词数量：统计大写单词数量
（7）标题式单词数量：统计单词拼写首字母是否为大写,且其他字母为小写的单词数量
（8）单词的平均长度：每一行text中每个单词长度的平均值
这些特征的提取不涉及复杂的函数计算，基于文本本身属性提取直观信息作为模型训练的特征。
·
TF-IDF算法 ：计算单词权重最为有效的实现方法就是TF-IDF, 它是由Salton在1988 年提出的,以特征词在文档d中出现的次数与包含该特征词的文档数之比作为该词的权重。
python中使用TfidfVectorizer函数实现TF-IDF特征的提取，生成每个text的TF-IDF特征。
·
经过TF-IDF特征提取后，数据集的特征变量超级多（TF-IDF计算了整个数据集出现的所有单词对每个test的权重），面对这样庞大的特征数据，可以通过SVD实现对数据集的压缩。
SVD的原理是将庞大的TF-IDF生成的数据集A进行拆分，设置K值（想要压缩得到的维度，例如K=20，压缩后得到20列的特征数据集）X就是只有K个特征转换后的数据集。
经过压缩后的TF-IDF只有K列，与01中 基于文本本身特征 合并，即为文本数据集的特征向量。
㈢ 基于内容的图像检索的特征提取
基本体整体趋包含颜色、纹理、平面空间对应关系、外形，或者其他统计特征。 图像特征的提取与表达是基于内容的图像检索技术的基础。从广义上讲，图像的特征包括基于文本的特征（如关键字、注释等）和视觉特征（如色彩、纹理、形状、对象表面等）两类。视觉特征又可分为通用的视觉特征和领域相关的视觉特征。前者用于描述所有图像共有的特征，与图像的具体类型或内容无关，主要包括色彩、纹理和形状；后者则建立在对所描述图像内容的某些先验知识（或假设）的基础上，与具体的应用紧密有关，例如人的面部特征或指纹特征等。 颜色是彩色图像最底层、最直观的物理特征，通常对噪声，图像质量的退化，尺寸、分辨率和方向等的变化具有很强的鲁棒性，是绝大多数基于内容的图像和视频检索的多媒体数据库中使用的特征之一。颜色特征的描述方法主要有以下四种：
颜色直方图(ColorHistogram)
它是最简单也是最常用的颜色特征，描述了图像颜色的统计分布特性，具有平移、尺度、旋转不变性。其核心思想是在颜色空间中采用一定的量化方法对颜色进行量化，然后统计每一个量化通道在整幅图像中所占的比重。
常用的颜色空间有RGB，CIE，HSI，HSV空间等，主要的量化方法有最重要信息位、颜色空间划分、颜色空间聚类、参考颜色、图像分割等，文献中讨论了对这些方法进行了讨论和总结。 由于颜色直方图缺乏颜色的空间分布信息，改进的方法包括在颜色索引时加入空间位置信息和基于区域的颜色查询。最简单的方法是子窗口直方图法，即将图像分割成子图像，一一建立索引。另一文献中将图像分成了大小相等的九个子图像，然后统计每个子图像中的颜色直方图。
颜色相关图(ColorCorrelogram)
其主要思想是用颜色对相对于距离的分布来描述信息，它反映了像素对的空间相关性，以及局部像素分布和总体像素分布的相关性，并且容易计算，特征范围小，效果好。
颜色矩(ColorMoment)
其基本思想是在颜色直方图的基础上计算出每个颜色通的均值、方差、偏差，用这些统计量替代颜色的分布来表示颜色特征。它具有特征量少，处理简单的特点。
颜色一致性矢量(Color Coherence Vectors, CCV)
本质上是一种引入空间信息改进的直方图算法，统计了图像中各颜色最大区域的像素数量。通过分离开一致性像素和非一致性像素，比直方图算法具有更好的区别效果。 纹理是图像的重要特征之一，通常定义为图像的某种局部性质，或是对局部区域中像素之间关系的一种度量，其本质是刻画像素的邻域灰度空间分布规律。纹理特征描述方法大致可以分为四类：统计法、结构法、模型法、频谱法。
统计法
统计法分析纹理的主要思想是通过图像中灰度级分布的随机属性来描述纹理特征。最简单的统计法是借助于灰度直方图的矩来描述纹理，但这种方法没有利用像素相对位置的空间信息。
为了利用这些信息，Haralick 等人提出了用共生矩阵来表示纹理特征。 该方法研究了纹理的空间灰度级相关性，构造出一个基于图像像素间方向和距离的共生矩阵，并且从矩阵中提取出反差、能量、熵、相关等统计量作为特征量表示纹理特征。
Tamura 等人基于人类视觉的心理学研究后提出了一些不同的方法来描述纹理特征，给出了几个不同的描述纹理特征的术语：粗糙度(Coarseness) 、对比度(Contrast) 、方向(Directionality) 、线性度(Linelikeness) 、规则度(Regularity) 、粗略度(Roughness) 等。Tamura 纹理和共生矩阵表示的主要区别在于:前者的所有纹理属性都是视觉意义上的，而后者的某些纹理属性不具有视觉意义(如信息熵) 。这一特点使得Tamura 的纹理表示在图像检索中使用得较多。QBIC 和MARS都进一步证明了这种表示方法。
结构法
结构法分析纹理的基本思想是假定纹理模式由纹理基元以一定的、有规律的形式重复排列组合而成，特征提取就变为确定这些基元并定量分析它们的排列规则。Carlucci曾提出一个使用直线段、开放多边形和封闭多边形作为纹理基元的纹理模型，其排列规则由一种图状语法结构定义。 Lu and Fu给过一种树型语法结构表示纹理，他们将纹理按照9 ×9 的窗口进行分割，每个分解单元的空间结构表示为一棵树。 因为实际的纹理大都是无规则的，因此结构法受到很大限制。
模型法
模型法利用一些成熟的图像模型来描述纹理，如基于随机场统计学的马尔可夫随机场、子回归模型，以及在此基础上产生的多尺度子回归模型 (MultiResolution Simultaneous Autoregressive, MRSA) 等。这些模型的共同特点是通过少量的参数表征纹理。MRSA 区分不同纹理模式的能力较强，但同时计算开销也较大。
频谱法
频谱法借助于频率特性来描述纹理特征，包括傅里叶功率谱法 、Gabor 变换 、塔式小波变换( Pyramid Wavelet Transform ，PWT) 、树式小波变换( Tree Wavelet Transform，TWT) 等方法。Manjunath and Ma 实验指出， Gabor 特征提供了最佳的模式检索精度，检索性能优于TWT 和PWT，略微优于MRSA ，缺点是计算速度慢，其旋转不变性和尺度不变性仍有待讨论。 形状是刻画物体最本质的特征，也是最难描述的图像特征之一，主要难在对图像中感兴趣目标的分割。对形状特征的提取主要是寻找一些几何不变量。目前用于图像检索的形状描述方法主要有两类:基于边缘和基于区域的形状方法。前者利用图像的边缘信息，而后者则利用区域内的灰度分布信息。
基于边缘
基于边缘的形状特征提取是在边缘检测的基础上，用面积、周长、偏心率、角点、链码、兴趣点、傅里叶描述子、矩描述子等特征来描述物体的形状，适用于图像边缘较为清晰、容易获取的图像。文献[16]首先对图像进行了高斯平滑，接着使用经典的兴趣点检测算法发现兴趣点，然后用兴趣点的测度值作为图像特征进行匹配。文献 提出将图像边缘上的角点作为特征点，然后使用Delaunay三角形进行划分，记录三角形的形状特征来描述图像的形状特征。这种方法由于是基于边缘上的一些特殊点，因此对噪声和点位置的变化较为敏感。文献采用边缘方向直方图来刻画形状特征，具有简单、平移不变性等优点，但也存在不具备尺度、旋转不变性等缺点。
基于区域
基于区域的形状特征提取的主要思路是通过图像分割技术提取出图像中感兴趣的物体，依靠区域内像素的颜色分布信息提取图像特征，适合于区域能够较为准确地分割出来、区域内颜色分布较为均匀的图像。文献应用变形模板技术，把用户提供的形状看作模板，与图像库中的形状进行匹配。由于是直接比较两个形状，因此具有较高的精度，但同时计算量也较大。 文献提出了一种形状弹性匹配算法，首先确定感兴趣区域，在这些区域中采用爬山优化算法获取图像边缘，并用这些边缘代表物体形状。 这种方法的优点是对图像边缘进行了筛选，缺点是需要人工干预。近年来，基于区域的图像检索方法已经成为基于内容的图像检索的一大研究热点。
㈣ 简述网页设计中的图像与周边文字有几种对齐方式及其特点
网页中的常见元素主要包括以下几种类型：文本、图象、动画、视频音乐、超链接、表格、表单和各类控件等。一、文本：文字能准确地表达信息的内容和含义，且同样信息量的文本字节往往比图象小，比较适合大信息量的网站。二、图像：在网页中使用GIF,JPEG(JPG),PNG三种图象格式，其中使用最广泛的是GIF和JPEG两种格式。说明：当用户使用所见即所得的网页设计软件在网页上添加其他非GIF,JPEG,或PNG格式的图片并保存时，这些软件通常会自动将少于8位颜色的图片转化为GIF格式，或将多于8位颜色的图片转化为JPEG.另外，JPG图片是静态图，GIF则可以是动态图片三、动画：主要指由FLASH软件制作的动画,由于其是准流媒体文件,加上矢量动画,文件小,使其在网络运行具有强大优势,是网页设计者必学的软件。四、声音和视频：用于网络的声音文件的格式非常多，常用的有MIDI、WAV、MP3和AIF等。很多浏览器不要插件也可以支持MIDI,WAV和AIF格式的文件，而MP3和RM格式的声音文件则需要专门的浏览器播放。视频文件均需插件（如REALONE、MEDIAPLAYER）支持，用于网络的视频格式主要有ASF、WMV、RM等流媒体格式。五、超级链接：从一个网页指向另一个目的端的链接。六、表格：在网页中表格用来控制网页中信息的布局方式。这包括两方面：1、是使用行和列的形式来布局文本和图像以及其他的列表化数据；2、是可以使用表格来精确控制各种网页元素在网页中出现的位置。七、表单：用来接受用户在浏览器端的输入，然后将这些信息发送到用户设置的目标端。表单由不同功能的表单域组成，最简单的表单也要包含一个输入区域和一个提交按钮。根据表单功能与处理方式的不同，通常可以将表单分为用户反馈表单，留言簿表单，搜索表单和用户注册表单等类型。八、导航栏：导航栏就是一组超级链接，这组超级链接的目标就是本站点的主页以及其他重要网页。导航栏的作用就是引导浏览者游历站点，同时首页的导航栏，对搜索引擎的收录意义重大。九、网页中除了以上几种最基本的元素之外，还有一些其它的常用元素，包括悬停按钮，Java特效，ActiveX等各种特效。它们不仅能点缀网页，使网页更活泼有趣，而且在网上娱乐，电子商务等方面也有着不可忽视的作用。
㈤ 04 特征工程 - 特征转换 - 文本特征属性转换
03 特征工程 - 特征转换 - 分词、Jieba分词
机器学习的模型算法均要求输入的数据必须是数值型的，所以对于文本类型的特征属性，需要进行文本数据转换，也就是需要将文本数据转换为数值型数据。常用方式如下：
1、词袋法(BOW/TF)
2、TF-IDF(Term frequency-inverse document frequency)
3、HashTF
4、Word2Vec(主要用于单词的相似性考量)
词袋法(Bag of words, BOW)是最早应用于NLP和IR领域的一种文本处理模型，该模型忽略文本的语法和语序，用一组无序的单词(words)来表达一段文字或者一个文档，词袋法中使用单词在文档中出现的次数(频数)来表示文档。
词集法(Set of words, SOW)是词袋法的一种变种，应用的比较多，和词袋法的原理一样，是以文档中的单词来表示文档的一种的模型，区别在于：词袋法使用的是单词的频数，而在词集法中使用的是单词是否出现，如果出现赋值为1，否则为0。
在词袋法或者词集法中，使用的是单词的词频或者是否存在来进行表示文档特征，但是不同的单词在不同文档中出现的次数不同，而且有些单词仅仅在某一些文档中出现(eg：专业名称等等)，也就是说不同单词对于文本而言具有不同的重要性，那么，如何评估一个单词对于一个文本的重要性呢？
1、单词的重要性随着它在文本中出现的次数成正比增加，也就是单词的出现次数越多，该单词对于文本的重要性就越高。
2、同时单词的重要性会随着在语料库中出现的频率成反比下降，也就是单词在语料库中出现的频率越高，表示该单词与常见，也就是该单词对于文本的重要性越低。
TF-IDF(Term frequency-inverse document frequency)是一种常用的用于信息检索与数据挖掘的常用加权技术，TF的意思是词频(TermFrequency)，IDF的意思是逆向文件频率(Inverse DocumentFrequency)。
TF-IDF可以反映语料中单词对文档/文本的重要程度。
假设单词用t表示，文档用d表示，语料库用D表示，那么N(t,D)表示包含单词t的文档数量，|D|表示文档数量，|d|表示文档d中的所有单词数量。N(t,d)表示在文档d中单词t出现的次数。
TF-IDF除了使用默认的tf和idf公式外，tf和idf公式还可以使用一些扩展之后公式来进行指标的计算，常用的公式有：
有两个文档，单词统计如下，请分别计算各个单词在文档中的TF-IDF值以及这些文档使用单词表示的特征向量。
不管是前面的词袋法还是TF-IDF，都避免不了计算文档中单词的词频，当文档数量比较少、单词数量比较少的时候，我们的计算量不会太大，但是当这个数量上升到一定程度的时候，程序的计算效率就会降低下去，这个时候可以通过HashTF的形式来解决该问题。HashTF的计算规则是：在计算过程中，不计算词频，而是计算单词进行hash后的hash值对应的样本的数量(有的模型中可能存在正则化操作)；
HashTF的特点：运行速度快，但是无法获取高频词，有可能存在单词碰撞问题(hash值一样)
在scikit中，对于文本数据主要提供了三种方式将文本数据转换为数值型的特征向量，同时提供了一种对TF-IDF公式改版的公式。所有的转换方式均位于模块： sklearn.feature_extraction.text
05 特征工程 - 缺省值填充
㈥ word中图片和文字层次关系有哪三种
word文档可以插入图片。图片与文本的位置关系有七中情况，分别是嵌入型、四周型环绕、紧密型环绕、穿越型环绕、上下型环绕、衬于文字下方、浮于文字上方。
七种位置关系
工具：Word2013
一、嵌入型
特点：
图片不能任意移动，（要拖动的话，必须按住鼠标左键，把光标移到段落标记处，再释放鼠标。）
打开APP查看高清大图
嵌入型
优点：便于排版
缺点：图片左右不能输入文字，浪费纸张
二、四周型环绕
特点：文字环绕在图片四个控点的四周
打开APP查看高清大图
四周环绕型
优点：节约纸张
缺点：增加了阅读障碍
三、紧密型环绕
特点：文字环绕在图片四周，文字与图片的距离小。
紧密型环绕
优点：节约纸张
缺点：增加了阅读障碍
四、穿越型环绕
特点：文字环绕在图片四周，有一部分文字穿越到图片的空白处
打开APP查看高清大图
穿越型环绕
注：这种情况用的极少，因为很少有这种类型的图片
五、上下型环绕
特点：文字分布在图片的上面和下面，左右没有文字
打开APP查看高清大图
上下型环绕
上下型与嵌入型的区别：
1.图片可以上下左右任意拖动
2.左右两边没有任何文字
六、衬于文字下方
特点：此时图片相当于背景
打开APP查看高清大图
衬于文字下方
适用范围：图片与文字的颜色区分度较大。
七、浮于文字上方
特点：图片把文字遮住了，一般用的很少很少。
㈦ solidworks工程图中 如何将技术要求等文本内容添加到库特征
在要添加到库的技术文本上右键，选择添加到库，如下图，设置一下即可
如有问题请追问
㈧ 图片和文字如何排版，才能让PPT更加美观
图片，是幻灯片制作不可或缺的元素，也是提高幻灯片视觉效果的关键。图片使用好，幻灯片会显得更加大气，更具有美感。反之，则会让幻灯片减分。
在图片的使用中，最为核心的部分就是图文的排版，尤其是只有一张图片全图型PPT，如何排版，就很能看出一个人的构图能力。
01 如果只有一张图片，而且图片有比较“纯净”地方，可以直接在纯净处输入文字，为了体现一点不一样，我加一些线条，以增加设计感。
02 在如果图片没有干净的地方，可以给图片添加一个蒙版，也就是一个半透明的色块，以降低背景对于文字信息的干扰。(蒙版的使用前面提过很多，不会的可以看往期文章。)
03 如果背景干扰很大，又不想使用蒙版，可以在图片上加一个白色色块，然后在上面输入文本，这样做，既可以保证图片的高质量，又可以看清正文内容。我喜欢给图片加一条线条，用来增加幻灯片的设计感。
04 如果图片尺寸不够铺满整个页面，可以先铺满一边，然后用矩形色块补充，不过色块的颜色有讲究。一般情况下，黑白灰比较保险，当然，最好的办法就是从图片中取色。
05 为了避免版式的重复性，除了使用矩形色块，我们还可以考虑其他的图形，比如平行四边形，梯形，圆形等。排版时，要特别注意形状的大小，以及文本的位置，最主要的是要注意对齐。
㈨ 文本特征提取
文本特征提取：
词袋法：
两个API：
相比之下，文本条目越多，Tfidf的效果越明显
㈩ 计算机插入图片后围绕文字类型的特征
解答如下；
Word文档中，图片的文字环绕方式一共有7种，分别为:嵌入型、四周型、紧密型、穿越型、上下型、衬于文字下方、浮于文字上方;
嵌入型:Word将嵌入的图片看作文本中的一个普通字符来对待，图片的左右都有文字，并且将跟随文本的变动而变动。
上下型:文字位于图片的上方、下方，图片和文字泾渭分明，显得版面很整洁。
四周型:文字在图片方形边界框四周环绕。不管图片是四四方方的还是凹凸不平的，四周型的图片本身占有一个矩形空间;
紧密型:文字紧密环绕在实际图片的边缘，不是环绕于图片边界。