实用的伪原创工具有哪些？

admin

实用的伪原创工具有哪些？

好的工具能让工作事半功倍，那么今天来介绍一个实用的伪原创工具，叫做小发猫AI+，为什么小发猫有这种能力？

小发猫是用NLP技术来实现伪原创的，下面来分享小小发猫的原理，我们可以从CCT中的每个元素CCTi的角度来看它，j表示包含单词i和单词j的文档的数量，并且CTC中的每个元素CTCi，j表示文档共享的单词的数量。我和文件j。因此，两个矩阵包含不同单词的共同出现，以及文档对单词的共享。通过分解信息，获得具有比关键字更高量的信息的低维数据。

从另一个角度来看，LSA相当于文档的软聚类。降维后的每个维度都可以视为一个类，此维度中的文档值表示该集群的文档。归因程度。

在LSA处理后，我可以在数据建议中做些什么？首先，我们可以使用分解的新维度（主题维度）作为索引单元来索引项目，而不是传统的基于单词的索引，然后将用户的行为映射到新维度。准备好两个数据后，可以使用新数据维度调用候选数据。召回后，VSM可用于相似度计算。如上所述，降维计算将带来更高的准确度，并且召回率也降低了噪声词干扰。通常，即使两个文档没有任何共享单词，它们之间仍然存在相关性，这是LSA的核心优势之一。此外，它还可以用作排序模型的排序功能。

简单来说，我们可以在普通关键字上使用的方法仍然可以在LSA上使用，因为LSA的本质是减少原始数据的语义，只需将其视为更丰富信息的关键。言语可以。

可以看出，与关键词相比，LSA向前迈出了一大步，主要表现在信息量的改善，维度的减少以及对同义词和多义词的理解。但是，LSA也有一些缺点，例如：

培训非常复杂。 LSA的训练是通过SVD进行的，SVD本身的复杂性非常高。在大量文档和大量词汇的场景中很难计算。虽然一些优化方法可以降低计算复杂度，但问题仍然没有得到解决。从根本上解决了。

搜索（召回）非常复杂。如上所述，使用LSA进行调用需要首先将文档或查询关键字映射到LSA的向量空间，这显然是一项耗时的操作。

LSA中每个主题下的单词的值没有概率意义，甚至可能具有负值，这只能反映数值关系。这使得从概率角度解释和理解主题与单词之间的关系变得困难，从而限制了我们对结果的使用。

admin

使用小发猫智能写作时，个人运营一段自媒体后，发现收益还不错，特别是一些用心做的，一个月收入可以到五六万，自然就有了以公司运营放大收益的想法。

admin

使用小发猫智能写作时，和其它人交流去论坛