文本分析工具箱™提供了用于预处理、分析和建模文本数据的算法和可视化。使用工具箱创建的模型可用于情感分析、预测性维护和主题建模等应用程序。
文本分析工具箱包括用于处理来自设备日志、新闻提要、调查、操作员报告和社交媒体等来源的原始文本的工具。您可以从流行的文件格式提取文本、预处理原始文本、提取单个单词、将文本转换为数字表示以及构建统计模型。
使用诸如LSA、LDA和词嵌入等机器学习技术，您可以从高维文本数据集中找到集群并创建特征。使用“文本分析工具箱”创建的功能可以与来自其他数据源的功能相结合，以构建利用文本、数字和其他类型数据的机器学习模型。
开始:
提取文本数据
将文本数据导入MATLAB®从单个文件或大型文件集合，包括PDF、HTML和Microsoft®词®和Excel®文件。
从microsoftword文档集合中提取文本。
单词云显示使用字体大小和颜色的单词的相对频率。
简化原始文本(左)，使用最有意义的单词(右)。
向标记化的文档添加词性和句子细节。
识别并可视化模型中最频繁出现的单词。
词嵌入和编码
训练词嵌入模型，如word2vec连续词袋模型(CBOW)和skip-gram模型。导入预训练模型，包括fastText和GloVe。
使用词嵌入在文本散点图中可视化集群。
主题建模
使用潜在狄利克雷分配(LDA)和潜在语义分析(LSA)等机器学习算法，发现和可视化大型文本数据集中的潜在模式、趋势和复杂关系。
识别风暴报告数据中的主题。
文档摘要与关键字提取
自动从一个或多个文档中提取摘要和相关关键词，并评估文档的相似性和重要性。
从文本中提取摘要。
识别预测积极情绪和消极情绪的词汇。
变压器模型
利用BERT、FinBERT和GPT-2等转换器模型对文本数据执行迁移学习，以完成情感分析、分类和摘要等任务。
用于文本数据迁移学习的变压器模型。
训练深度神经网络对文本数据进行分类。
使用简·奥斯汀的文本生成傲慢与偏见以及深度学习LSTM网络。
产品资源:
接下来是什么?
您也可以从以下列表中选择一个网站: