wps里如何打商标符号，就是R带圈的那个 R带圈的那个，是不是®啊，这个用alt加0174就可以打出来啊。 WPS文字如何快速输入商标符号？ WPS中上标法输入商标符号 WPS文字是一款功能非常强大的文字编辑软件，只是有很多功能我们在平时的文字编辑过程中都忽略了，比如文字的上、下标功能，其本意是方便我们对文字或者段落进行进一步的解释，其实我们利用文字的上标法可以轻松实现商标符号的输入。当我们要输入商标符号时，先在WPS中输入个商标名称，然后在“开始”选项卡下的“字体”功能区中单击“上标”按钮，之后在WPS文字中输入一个“TM”，这样，就达到想要的商标符号效果了。 WPS符号插入商标符号 在输入商标符号时，我们不仅也可以用上标的方式直接输入，也可以用插入符号的方法输入。首先是将光标定位到在输入商标符号的位置，然后单击“插入”选项卡，在“符号”功能区中单击“符号”，在“自定义”符号区中就可以看到商标符号了，直接单击鼠标，即可插入到相应的位置了。 如果在“自定义”符号区中没有看到，此时我们可以单击“其它符号”，然后在打开“符号”对话框中，单击“特殊符号”选项卡，就可以看到商标符号了，双击鼠标即可插入到文档中。 快捷键输入商标符号 要想提高我们的工作效率，当然是用快捷的方式操作了。我们可以先在WPS文字中输入个商标名称，然后在键盘上按下“Ctrl+Shift+=”键，再输入数字“TM”即可。输入完成后，再次按下“Ctrl+Shift+=”键即可返回到正常输入状态。其次，也可以先输入“TM”然后用鼠标将其选中，再在键盘上按下“Ctrl+Shift+=”键也可以实现商标符号的输入。 提示：我们也可以在“符号”对话框中给商标符号指定一个快捷键，方便我们日后使用时快速输入。方法是在“特殊符号”选项卡下，先选择相应的符号，然后单击 “插入到符号栏”，再单击“符号”选项卡，选择刚才插入的符号并将光标定位到“快捷键”框中，在键盘中分别按下Ctrl、Shift、Alt按键中一个，再指定一个其它键，也可以利用三个按键中两个和其它按键组合，然后单击“指定快捷键”后，最后关闭对话框退出即可。 字体上标法 字体上标法同样也能实现商标符号的输入效果。在WPS中先输入个商标名称和数字商标符号“TM”，然后用鼠标选中“TM”(不包括括号)，在“开始”选项卡下单击“字体”启动器开关，在打开的“字体”对话框下面的“效果”区中将“上标”钩选，再单击“确定”，即可实现所选字体的上标了。 Word Embedding 如何处理未登录词？ 放送一段代码吧，可以直接收藏备用~基本思路就是尽可能找还原语义的pre-trained embedding。步骤是，1.原始词有没有2.全小写有没有3.全大写有没有4.首字母大写有没有5.三种次干化有没有6.长得最像的几种编辑方法有没有依次瀑布式查找。当然，最好的方式，是使用subword level的pre-trained language model，生成此OOV的contextual的特征。from nltk.stem import PorterStemmer ps = PorterStemmer() lc = LancasterStemmer() from nltk.stem import SnowballStemmer sb = SnowballStemmer("english")3 spell_model = gensim.models.KeyedVectors.load_word2vec_format("../input/embeddings/wiki-news-300d-1M/wiki-news-300d-1M.vec") words = spell_model.index2word w_rank = {} for i,word in enumerate(words): w_rank[word] = i WORDS = w_rank # Use fast text as vocabulary def words(text): return re.findall(r"\w+", text.lower()) def P(word): "Probability of `word`." # use inverse of rank as proxy # returns 0 if the word isn"t in the dictionary return - WORDS.get(word, 0) def correction(word): "Most probable spelling correction for word." return max(candidates(word), key=P) def candidates(word): "Generate possible spelling corrections for word." return (known([word]) or known(edits1(word)) or [word]) def known(words): "The subset of `words` that appear in the dictionary of WORDS." return set(w for w in words if w in WORDS) def edits1(word): "All edits that are one edit away from `word`." letters = "abcdefghijklmnopqrstuvwxyz" splits = [(word[:i], word[i:]) for i in range(len(word) + 1)] deletes = [L + R[1:] for L, R in splits if R] transposes = [L + R[1] + R[0] + R[2:] for L, R in splits if len(R)>1] replaces = [L + c + R[1:] for L, R in splits if R for c in letters] inserts = [L + c + R for L, R in splits for c in letters] return set(deletes + transposes + replaces + inserts) def edits2(word): "All edits that are two edits away from `word`." return (e2 for e1 in edits1(word) for e2 in edits1(e1)) def singlify(word): return "".join([letter for i,letter in enumerate(word) if i == 0 or letter != word[i-1]]) def load_glove(word_dict, lemma_dict): EMBEDDING_FILE = "../input/embeddings/glove.840B.300d/glove.840B.300d.txt" def get_coefs(word,*arr): return word, np.asarray(arr, dtype="float32") embeddings_index = dict(get_coefs(*o.split(" ")) for o in open(EMBEDDING_FILE)) embed_size = 300 nb_words = len(word_dict)+1 embedding_matrix = np.zeros((nb_words, embed_size), dtype=np.float32) unknown_vector = np.zeros((embed_size,), dtype=np.float32) - 1. print(unknown_vector[:5]) for key in tqdm(word_dict): word = key embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = key.lower() embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = key.upper() embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = key.capitalize() embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = ps.stem(key) embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = lc.stem(key) embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = sb.stem(key) embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue word = lemma_dict[key] embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue if len(key) > 1: word = correction(key) embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[word_dict[key]] = embedding_vector continue embedding_matrix[word_dict[key]] = unknown_vector return embedding_matrix, nb_words 引用自 kaggle wowfattie 在WPS文字里怎么把商标打在文字的右上角里 作为上标格式。 O R的戒指,不是