/// <summary>
/// для подсчета всех расстояний(simularities) всех слов в словаре строится матрица в формате CSR
/// для уменьшения размерности используем lowestfreq и первые k лемм
/// </summary>
/// <param name="lowestfreq">наименьшая частота</param>
/// <returns></returns>
public static CSRMatrix getCSRFullConceptsMatrix(int topklemms = 5000, int lowestfreq = 2)
{
//индексы столбцы матрицы
List <int> colIds = new List <int>();
//номера начал строк
List <int> rowPtrs = new List <int>();
//значения
List <float> values = new List <float>();
//заполняем матрицу концептов в CSR
//указатель на начала строк
int rowPtr = 0;
int deflemmcnt = 0;
//выбираем из fterms 5k самых частотных лемм
var top5kfrequentlemms = _fterms.OrderByDescending(i => i.Value).Take(topklemms).Select(i => i.Key).ToArray();
HashSet <string> top5kfrequenthash = new HashSet <string>(top5kfrequentlemms);
foreach (string concept in GetDict.Keys)
{
rowPtrs.Add(rowPtr);
deflemmcnt = 0;
foreach (var lemm in GetDict[concept].Keys)
{
if (_fterms[lemm] < lowestfreq)
{
continue;
}
if (!top5kfrequenthash.Contains(lemm))
{
continue;
}
//для каждой леммы концепта смотрим индекс в списке лемм словаря
colIds.Add(Lemms.IndexOf(lemm));
values.Add(GetDict[concept][lemm]);
deflemmcnt++;
}
if (deflemmcnt == 0)
{
continue;
}
rowPtr += deflemmcnt;
//rowPtr += GetDict[concept].Count;
}
rowPtrs.Add(rowPtr);
return(new CSRMatrix(rowPtrs.ToArray(), colIds.ToArray(), values.ToArray()));
}
public static CSRMatrix getCSRConceptsMatrix(string conceptspath)
{
//индексы столбцы матрицы
List <int> colIds = new List <int>();
//номера начал строк
List <int> rowPtrs = new List <int>();
//значения
List <float> values = new List <float>();
//заполняем матрицу концептов в CSR
using (StreamReader conceptreader = new StreamReader(conceptspath))
{
string line = string.Empty;
//указатель на начала строк
int rowPtr = 0;
while ((line = conceptreader.ReadLine()) != null)
{
if (line == "")
{
continue;
}
rowPtrs.Add(rowPtr);
foreach (var lemm in GetDict[line].Keys)
{
//для каждой леммы концепта смотрим индекс в списке лемм словаря
colIds.Add(Lemms.IndexOf(lemm));
values.Add(GetDict[line][lemm]);
}
rowPtr += GetDict[line].Count;
}
rowPtrs.Add(rowPtr);
}
return(new CSRMatrix(rowPtrs.ToArray(), colIds.ToArray(), values.ToArray()));
}
/// <summary>
/// получить матрицу в формате CSR
/// для списка концептов, уменьшения размерности
/// используем параметр наименьшей частоты - lowestfreq и первые k лемм
/// </summary>
/// <param name="conceptspath">путь к файлу концептов</param>
/// <param name="lowestfreq">наименьшая частота леммы в дефиниции</param>
/// <returns></returns>
public static CSRMatrix getCSRConceptsMatrix(string conceptspath, int topklemms = 5000, int lowestfreq = 2)
{
//индексы столбцы матрицы
List <int> colIds = new List <int>();
//номера начал строк
List <int> rowPtrs = new List <int>();
//значения
List <float> values = new List <float>();
//заполняем матрицу концептов в CSR
using (StreamReader conceptreader = new StreamReader(conceptspath))
{
string line = string.Empty;
//указатель на начала строк
int rowPtr = 0;
int deflemmcnt = 0;
var top5kfrequentlemms = _fterms.OrderByDescending(i => i.Value).Take(topklemms).Select(i => i.Key).ToArray();
HashSet <string> topkfrequenthash = new HashSet <string>(top5kfrequentlemms);
while ((line = conceptreader.ReadLine()) != null)
{
if (line == "")
{
continue;
}
rowPtrs.Add(rowPtr);
deflemmcnt = 0;
foreach (var lemm in GetDict[line].Keys)
{
//порог частоты
if (_fterms[lemm] < lowestfreq)
{
continue;
}
//порог порядка
if (!topkfrequenthash.Contains(lemm))
{
continue;
}
//для каждой леммы концепта смотрим индекс в списке лемм словаря
colIds.Add(Lemms.IndexOf(lemm));
values.Add(GetDict[line][lemm]);
deflemmcnt++;
}
//несвязанные ни с кем слова
if (deflemmcnt == 0)
{
continue;
}
rowPtr += deflemmcnt;
//rowPtr += GetDict[line].Count;
}
rowPtrs.Add(rowPtr);
}
return(new CSRMatrix(rowPtrs.ToArray(), colIds.ToArray(), values.ToArray()));
}
