朱恬骅 Zhu Tianhua
zthpublic@gmail.com
http://github.com/zhuth/Tools/
来源：http://www.cs.princeton.edu/~blei/lda-c/
可执行文件：lda.exe
授权协议：GPL
详细情况请参看：http://www.cs.princeton.edu/~blei/lda-c/readme.txt
lda est 0.01 3 settings.txt lda.input random output_dir\
从文件 lda.input 读入矩阵，并归为3个话题。输出文件在 output_dir\。一般而言，使用 final.gamma 和 final.beta 。其中，final.beta 中保存了每个 topic 下词汇的概率分布的对数；final.gamma 中保存了每个输入文档中各 topic 的 Dirichlet prior 值，可以将其看作文档中每个 topic 的比重。
脚本文件：matrixconvert.cssc
授权协议：LGPL
cssc matrixconvert [lda2lsa|lsa2lda|lsa2lda2|lsa2fmat] <input> <output>
- lda2lsa: 将 LDA 输入格式的文件转换为 LSA 的输入格式。具体而言，就是展开 LDA 所接受的“本行非零元个数 [列号：数值]”展开成能包含所有这些数值的最小矩阵。
- lsa2lda: 将 LSA 的输入格式（完整的矩阵）转换为每一行是“[列号：数值]”的格式，行首不包含本行非零元个数。
- lsa2lda2: 将 LSA 的输入格式（完整的矩阵）转换为每一行是“本行非零元个数 [列号：数值]”的格式。
- lsa2fmat: 将 LSA 的输入格式（完整的矩阵）转换为带大小说明的输入格式。
<input>是输入文件，<output>是输出文件。输入文件若为完整的矩阵，元素间可以使用半角空格 、半角逗号,或制表符\t分割。注意：不允许连续的分隔符。
LDAInputConverter lsa2lda2 freq.txt lda.input lda est 0.01 3 settings.txt lda.input random output_dir\
下载地址：http://pangusegment.codeplex.com/
授权协议：Apache License
可执行文件：WordSegment.exe
命令行模式：
wordsegment <input> <output> [-pos]
<input> 为输入文件（以Unicode/UTF-8格式编码）， <output> 为分好词的输出。
加上-pos开关则会输出该词相关的内容。
图形界面模式：直接执行程序，在出现的窗口中作设置。该界面是由PanGu的编写者编写的Demo。
该程序依赖 ..\Dictionaries\ 下的数据文件。
可执行文件：cssc.exe
该程序可将一个C#代码片断当做一个脚本来运行。
授权协议：LGPL
CsScript <filename> [-c[reate]] [-f[ull]]
执行 <filename> 中的脚本。
-c开关：加上-c则创建（或覆盖）一个新的脚本文件。-f开关：加上-f表示文件是一个完整的 C# 程序。这时调用类似于在 Visual Studio 2010 Command Line 环境下运行csc <filename>。
默认添加了对 System.dll 的引用，并使用了 System.IO, System.Text, System.Text.RegularExpressions 这三个命名空间。要添加新的引用，请在脚本中（任意位置）添加：
\#reference <DLL 文件路径>
要添加新的 using，请在脚本中编写：
\#using <namespace>;
要在脚本中编写函数，请在正常的函数声明前添加一行：
\#function
然后紧跟着函数声明。请注意，函数应当声明为 static。
可执行文件：StockDataChooser.exe
依赖数据文件：
- industry.txt 保存每只股票的经营范围文本信息，文件格式为：
[股票代码]（6 位数字）
\t[经营范围描述]。
本程序有图形界面和命令行两种运行方式。如果不带有参数，则会出现图形界面；如果带有参数，则自动按参数运行并退出。
StockChooser <data dir> <field id>[_<field id>_<field id>...] <begin date> <end date> <output> <industry output>
<data dir>股票数据文件夹，每支股票以其代码命名（6位数字），一行代表一个交易日的数据，数据格式如下：
年月日,开盘价,最高,最低,收盘价,成交笔数,成交量
如： 19911223,1.56,1.56,1.55,1.56,127000,3530600.000
-
<field_id>_[<field_id>...]每一个<field_id>是介于0到7之间的数字，其中0~6分别代表上述7个字段，7表示当日向对于前一天的涨跌幅百分比（精确到1%，涨、跌分别用一列表示）。 -
<begin date>起始日期。 -
<end date>截止日期。 -
<output>股价信息的输出文件名。 -
<industry output>这些股票对应的经营范围描述信息的输出文件名。
StockDataChooser ..\..\data\S12\data _ 2011-1-1 2012-1-1 sel.txt idk.txt
其图形界面的使用方法从略。
脚本文件：tfidf.cssc 授权协议：LGPL
cssc tfidf <dict> <input> <output> [tf] cssc tfidf <input> <output dict> [tf]
-
<dict>词典文件。可以包含词频等额外信息，但这些信息都不会被用到。 -
<input>输入文件。对于给定了词典文件的情况，每一行输入文本被当作一个单独的文档处理；对于输出词典的情况，整个输入文件被视作一个文档处理。 -
<output>输出文件。输出按词典顺序，词典中各个词出现的频率或TFIDF信息。 -
tf确定输出的是词频还是TFIDF（对于处理文档）或IDF（对于构造词典）。 -
<output dict>输出的词典文件名。
matlab 文件夹下存有所用到的Matlab程序/函数文件。