word 代表字体大小的数字具体如何量化的

1.word 代表字体大小的数字具体怎么量化的

四号，是中国人设计时加的，也是中国人习惯用的。而数字“14”是外国人设计的，单位是“磅”，二者有些值对应的字号大小是一样的，只是名字不一样而已。

在WORD中字号越大，字符越小，而磅值越大，字符也越大的，两者具体的对应关系如下：

初号=42磅=14.82毫米

小初=36磅=12.70毫米

一号=26磅=9.17毫米

小一=24磅=8.47毫米

二号=22磅=7.76毫米

小二=18磅=6.35毫米

三号=16磅=5.64毫米

小三=15磅=5.29毫米

四号=14磅=4.94毫米

小四=12磅=4.23毫米

五号=10.5磅=3.70毫米

小五=9磅=3.18毫米

六号=7.5磅=2.56毫米

小六=6.5磅=2.29毫米

七号=5.5磅=1.94毫米

八号=5磅=1.76毫米

字体的磅值大小是指从字母笔划的最顶到字母笔划的最底端。另外，1英寸等于72磅。

2.三线表怎么做

计算数据是科技论文的核心内容，作为数据表述主要形式之一的表格，因具有鲜明的定量表达量化信息的功能而被广泛采用。三线表以其形式简洁、功能分明、阅读方便而在科技论文中被推荐使用。三线表通常只有3条线，即顶线、底线和栏目线（见图，注意：没有竖线）。其中顶线和底线为粗线，栏目线为细线。当然，三线表并不一定只有3条线，必要时可加辅助线，但无论加多少条辅助线，仍称做三线表。三线表的组成要素包括：表序、表题、项目栏、表体、表注。

以下是在Microsoft Word中制作三线表的方法

(1)先制作一个普通表格。打开菜单“表格-插入表格”，选择列数“3”、行数“4”，文档中出现一个三列四行的带框线表格。输入内容，注意要选“左对齐”。

(2)鼠标移到在表格左上角，出现四向箭头时选中表格（点黑），打开菜单“格式-边框和底纹”，在设置中选择“无”，取消表格的所有框线。

(3)再选中表格，打开菜单“格式-边框和底纹”，在线型宽度下拉列表中选择一条粗一点的线，如1又1/2磅，在右边的各种实框线中，为表格添加“上”、“下”框线。确定。

(4)下面需要添加标题栏的横线。打开“视图-工具栏-绘图”，添加绘图工具栏。点击绘图中的直线工具，按住shift键，手画一条与表格线等长的细线。

(5)此时手绘线可能不在合适的位置，偏上或偏下，按住Alt键，用鼠标移动直线到合适的位置上。

点击工具栏上的“打印预览”，就可以看到一个简单的三线表已经画好了。还可以修饰一下内容文字，使其与标题文字的位置相配。

3.怎么用word做课程表

1、选择菜单栏的“表格”-->插入表格-->表格，在弹出的“插入表格”窗口中将列数设置为12，行数设置为10;2、选中第一排前两个和第二排前两个单元格，单击右键选择“合并单元格”；3、将光标放到刚才合并完成的单元格中，再选择菜单栏的“表格”-->绘制斜线表头，在弹出的“插入斜线表头”中填上“行标题”与“列标题”，分别填上“星期”和“时间”；4、选中表头下面的四个单元格，然后右键“合并单元格”，接着在合并选择下面四个，然后再次合并；5、两个、两个的合并表头右边的单元格；6、此时，一个基本的表格结构就出来了，下面我们在Word表格中输入我们的文字信息；7、选中“上午”或“下午”，单击菜单栏的“格式”-->文字方向，我们这里单击选择最中间的一个，8、改变了文字方向后还不够，我们再点击“格式工具栏”的“居中按钮”；还是不够，我们将光标放到单元格中，然后单击右键，选择“表格属性”，在弹出的“表格属性”窗口中，点击“单元格”然后在“垂直对齐方式”中再次选择“居中”；9、最后一个步骤就是Word表格调整了，我们可以清楚的看到上图中的“第几节”中的文字是分成两行来排列的，下面我们就要调整下他的宽度即可。

将鼠标移到“上午”和“第几节”中间的线上面，然后单击按住鼠标左键往左边稍微拖动一点点即可；。

4.如何构建词空间向量和文本向量化

最近正好组内做了一个文档相似度的分享。

决定回答一发。首先，如果不局限于NN的方法，可以用BOW+tf-idf+LSI/LDA的体系搞定，也就是俗称的01或one hot representation。

其次，如果楼主指定了必须用流行的NN，俗称word-embedding的方法，当然首推word2vec（虽然不算是DNN）。然后得到了word2vec的词向量后，可以通过简单加权/tag加权/tf-idf加权等方式得到文档向量。

这算是一种方法。当然，加权之前一般应该先干掉stop word，词聚类处理一下。

还有，doc2vec中的paragraph vector也属于直接得到doc向量的方法。特点就是修改了word2vec中的cbow和skip-gram模型。

依据论文《Distributed Representations of Sentences and Documents》（ICML 2014）。还有一种根据句法树加权的方式，是ICML2011提出的，见论文《Parsing Natural Scenes and Natural Language with Recursive Neural Networks》，后续也有多个改编的版本。

当然，得到词向量的方式不局限于word2vec,RNNLM和glove也能得到传说中高质量的词向量。ICML2015的论文《From Word Embeddings To Document Distances, Kusner, Washington University》新提出一种计算doc相似度的方式，大致思路是将词之间的余弦距离作为ground distance，词频作为权重，在权重的约束条件下，求WMD的线性规划最优解。

最后，kaggle101中的一个word2vec题目的tutorial里作者如是说：他试了一下简单加权和各种加权，不管如何处理，效果还不如01，归其原因作者认为加权的方式丢失了最重要的句子结构信息（也可以说是词序信息），而doc2vec的方法则保存了这种信息。在刚刚结束的ACL2015上，似乎很多人提到了glove的方法，其思想是挖掘词共现信息的内在含义，据说是基于全局统计的方法（LSI为代表）与基于局部预测的方法（word2vec为代表）的折衷，而且输出的词向量在词聚类任务上干掉了word2vec的结果，也可以看看。

《GloVe: Global Vectors forWord Representation》。