-
Notifications
You must be signed in to change notification settings - Fork 0
/
VectorSpaceModel.cpp
200 lines (162 loc) · 5.36 KB
/
VectorSpaceModel.cpp
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
#include "VectorSpaceModel.h"
VectorSpaceModel::VectorSpaceModel(Diccionario *diccionario, unsigned cantDocuments){
this->miDiccionario = diccionario;
this->cantDocs = cantDocuments;
this->cantTerminos = miDiccionario->getCantTerminos();
//filas = palabras; columnas = docs al reves!!
//matriz.resize(cantTerminos,cantDocs);
matriz.resize(cantDocs,cantTerminos);
}
void VectorSpaceModel::procesarDocumentos(){
limpiarMatriz();
llenarPalabras();
llenarMatrizConTFIDF();
}
void VectorSpaceModel::guardarDiccionario(){
ofstream data_file("dic.dat", std::ios::binary);
const unsigned int maxPalabra=16;
mapaDelDiccionario::iterator externo;
float idf;
unsigned char * buf_ptr = new unsigned char [16];
unsigned char * buf_grabar=buf_ptr;
for (externo=miDiccionario->diccionario.begin(); externo!=miDiccionario->diccionario.end(); externo++){
fill_n(buf_ptr, 16,0);
idf=log10((TipoGuardado)cantDocs / (TipoGuardado)externo->second.size());
//externo->first es una palabra
strncpy((char *) buf_ptr, externo->first.c_str(), maxPalabra);
data_file.write((char *)&idf, 4);
data_file.write((char *) buf_grabar, 16);
}
data_file.close();
delete [] buf_ptr;
}
void VectorSpaceModel::limpiarMatriz(){
for (unsigned i = 0; i<cantDocs; i++)
for (unsigned j = 0; j<cantTerminos; j++)
matriz(i,j) = 0;
}
void VectorSpaceModel::llenarPalabras(){
listaD::iterator interno;
mapaDelDiccionario::iterator externo;
Nodo unToken;
unsigned frecuenciaAbsoluta;
for (externo = miDiccionario->diccionario.begin(); externo != miDiccionario->diccionario.end();
externo++) {
unToken.token = externo->first;
frecuenciaAbsoluta =0;
for (interno=externo->second.begin(); interno != externo->second.end(); interno++)
frecuenciaAbsoluta++;
unToken.idf=log10((TipoGuardado)cantDocs / (TipoGuardado)frecuenciaAbsoluta);
palabras.push_back(unToken);
}
/*Para mostrar el vector:
* cout << "idf: \n";
for (int i = 0; i<palabras.size(); i++){
cout << palabras[i].token << " " << palabras[i].idf << endl;
}*/
}
void VectorSpaceModel::llenarMatrizConTFIDF() {
listaD::iterator interno;
mapaDelDiccionario::iterator externo;
for (externo = miDiccionario->diccionario.begin(); externo != miDiccionario->diccionario.end();
externo++) {
int posicionPalabra = bbinaria(externo->first); //busca la posicion del token
if (posicionPalabra != -1){
for (interno=externo->second.begin(); interno != externo->second.end(); interno++){
TipoGuardado idf = palabras[posicionPalabra].idf;
int ft = interno->second.getFrecuencia();
matriz(interno->first,posicionPalabra)= (TipoGuardado) ft * idf;
}
}
}
}
TipoMatriz VectorSpaceModel::getMatriz() const {
return matriz;
}
int VectorSpaceModel::bbinaria(const std::string unaPalabra){
int izquierda = 0;
int derecha = (int)palabras.size()-1;
int mid = (derecha+izquierda)/2;
while(izquierda <= derecha){
mid = (derecha+izquierda)/2;
Nodo unNodo = palabras[mid];
if (unNodo.token == unaPalabra)
return mid;
else if (unaPalabra > unNodo.token)
izquierda = mid + 1;
else if (unaPalabra < unNodo.token)
derecha = mid - 1;
}
return -1;
}
void VectorSpaceModel::cargarDiccionario(){
char * buf_ptr = new char [16];
vector<Nodo> vecDic;
ifstream in("dic.dat", ios::in | ios::binary);
Nodo nodo;
in.read((char*)&nodo.idf,4);
in.read(buf_ptr,16);
while(!in.eof()){
nodo.token = string((char *) buf_ptr);
vecDic.push_back(nodo);
in.read((char*)&nodo.idf,4);
in.read(buf_ptr,16);
}
/* ejemplo prueba
nodo=vecDic[0];
cout<<nodo.idf<<endl;
cout<<nodo.token<<endl;
cout<<nodo.token.size()<<endl;
nodo=vecDic[1];
cout<<nodo.idf<<endl;
cout<<nodo.token<<endl;
*/
palabrasDeDisco=vecDic;
}
/* ************************************************************************************** */
/*TipoMatriz matrizDesdeArchivo();
void VectorSpaceModel::matrizHaciaArchivo() {
ofstream out("vectores.dat", ios::out | ios::binary);
unsigned docActual=0;
int ft=0;
int idf=0;
int pesoCero=0;
TipoGuardado peso;
mapaDelDiccionario::iterator externo;
for(int i=0; i<cantDocs;i++){
for (externo = miDiccionario->diccionario.begin(); externo != miDiccionario->diccionario.end(); externo++) {
listaD::iterator interno = externo->second.find(docActual);
if (interno != externo->second.end()){
ft = interno->second.getFrecuencia();
idf= externo->second.size();
peso=(log10((TipoGuardado)cantDocs / (TipoGuardado)idf))*(TipoGuardado)ft;
out.write((char *)&peso,4);
}
else{
out.write((char *)&pesoCero,4);
}
}
docActual++;
}
out.close();
ofstream Addenda("docIDs.dat", ios::out | ios::binary);
docIDs.write(cantDocs);
docIDs.write(cantTerminos);
}
vector<TipoGuardado> VectorSpaceModel::getDocumento(int docID){
vector<TipoGuardado> vecDocumento;
TipoGuardado numero;
int posDoc;
ifstream in("vectores.dat", ios::in | ios::binary);
posDoc=docID*cantTerminos*4;
in.seekg(posDoc);
while(in.tellg()<(posDoc+cantTerminos*4)){
in.read((char*)&numero,4);
vecDocumento.push_back(numero);
}
return vecDocumento;
}*/
//TEMPORAL:
void VectorSpaceModel::mostrarMatriz() {
std::cout << matriz << std::endl;
}