欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python機器學(xué)習(xí)NLP自然語言處理基本操作關(guān)鍵詞

 更新時間:2021年09月21日 13:51:09   作者:我是小白呀  
本文是Python機器學(xué)習(xí)NLP自然語言處理系列文章,帶大家開啟一段學(xué)習(xí)自然語言處理 (NLP) 的旅程. 本文主要學(xué)習(xí)NLP自然語言處理關(guān)鍵詞的操作

概述

從今天開始我們將開啟一段自然語言處理 (NLP) 的旅程. 自然語言處理可以讓來處理, 理解, 以及運用人類的語言, 實現(xiàn)機器語言和人類語言之間的溝通橋梁.

在這里插入圖片描述

關(guān)鍵詞

關(guān)鍵詞 (keywords), 即關(guān)鍵詞語. 關(guān)鍵詞能描述文章的本質(zhì), 在文獻檢索, 自動文摘, 文本聚類 / 分類等方面有著重要的應(yīng)用.

在這里插入圖片描述

關(guān)鍵詞抽取的方法

關(guān)鍵詞提取: 針對新文檔, 通過算法分析. 提取文檔中一些詞語作為該文檔的關(guān)鍵詞

關(guān)鍵詞分配: 給定已有的關(guān)鍵詞庫, 對于新來的文檔從該詞庫里面分配幾個詞語作為這篇文檔的關(guān)鍵詞

TF-IDF 關(guān)鍵詞提取

TF-IDF (Term Frequency-Inverse Document Frequency), 即詞頻-逆文件頻率是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù). TF-IDF 可以幫助我們挖掘文章中的關(guān)鍵詞. 通過數(shù)值統(tǒng)計, 反映一個詞對于語料庫中某篇文章的重要性.

TF

TF (Term Frequency), 即詞頻. 表示詞在文本中出現(xiàn)的頻率.

公式:

在這里插入圖片描述

IDF

IDF (Inverse Document Frequency), 即逆文檔頻率. 表示語料庫中包含詞的文檔的數(shù)目的倒數(shù).

公式:

在這里插入圖片描述

TF-IDF

公式:

在這里插入圖片描述

TF-IDF = (詞的頻率 / 句子總字數(shù)) × (總文檔數(shù) / 包含該詞的文檔數(shù))

如果一個詞非常常見, 那么 IDF 就會很低, 反之就會很高. TF-IDF 可以幫助我們過濾常見詞語, 提取關(guān)鍵詞.

jieba TF-IDF 關(guān)鍵詞抽取

格式:

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

參數(shù):

sentence: 待提取的文本語料

topK: 返回的關(guān)鍵詞個數(shù), 默認為 20

withWeight: 是否需要返回關(guān)鍵詞權(quán)重, 默認為 False

allowPOS: 僅包括指定詞性的詞, 默認為空, 即不篩選

jieba 詞性

編號 詞性 描述
Ag 形語素 形容詞性語素。形容詞代碼為 a,語素代碼g前面置以A。
a 形容詞 取英語形容詞 adjective的第1個字母。
ad 副形詞 直接作狀語的形容詞。形容詞代碼 a和副詞代碼d并在一起。
an 名形詞 具有名詞功能的形容詞。形容詞代碼 a和名詞代碼n并在一起。
b 區(qū)別詞 取漢字“別”的聲母。
c 連詞 取英語連詞 conjunction的第1個字母。
dg 副語素 副詞性語素。副詞代碼為 d,語素代碼g前面置以D。
d 副詞 取 adverb的第2個字母,因其第1個字母已用于形容詞。
e 嘆詞 取英語嘆詞 exclamation的第1個字母。
f 方位詞 取漢字“方”
g 語素 絕大多數(shù)語素都能作為合成詞的“詞根”,取漢字“根”的聲母。
h 前接成分 取英語 head的第1個字母。
i 成語 取英語成語 idiom的第1個字母。
j 簡稱略語 取漢字“簡”的聲母。
k 后接成分
l 習(xí)用語 習(xí)用語尚未成為成語,有點“臨時性”,取“臨”的聲母。
m 數(shù)詞 取英語 numeral的第3個字母,n,u已有他用。
Ng 名語素 名詞性語素。名詞代碼為 n,語素代碼g前面置以N。
n 名詞 取英語名詞 noun的第1個字母。
nr 人名 名詞代碼 n和“人(ren)”的聲母并在一起。
ns 地名 名詞代碼 n和處所詞代碼s并在一起。
nt 機構(gòu)團體 “團”的聲母為 t,名詞代碼n和t并在一起。
nz 其他專名 “?!钡穆暷傅牡?1個字母為z,名詞代碼n和z并在一起。
o 擬聲詞 取英語擬聲詞 onomatopoeia的第1個字母。
p 介詞 取英語介詞 prepositional的第1個字母。
q 量詞 取英語 quantity的第1個字母。
r 代詞 取英語代詞 pronoun的第2個字母,因p已用于介詞。
s 處所詞 取英語 space的第1個字母。
tg 時語素 時間詞性語素。時間詞代碼為 t,在語素的代碼g前面置以T。
t 時間詞 取英語 time的第1個字母。
u 助詞 取英語助詞 auxiliary
vg 動語素 動詞性語素。動詞代碼為 v。在語素的代碼g前面置以V。
v 動詞 取英語動詞 verb的第一個字母。
vd 副動詞 直接作狀語的動詞。動詞和副詞的代碼并在一起。
vn 名動詞 指具有名詞功能的動詞。動詞和名詞的代碼并在一起。
w 標點符號
x 非語素字 非語素字只是一個符號,字母 x通常用于代表未知數(shù)、符號。
y 語氣詞 取漢字“語”的聲母。
z 狀態(tài)詞 取漢字“狀”的聲母的前一個字母。
un 未知詞

不帶關(guān)鍵詞權(quán)重

例子:

import jieba.analyse
# 定義文本
text = "自然語言處理是計算機科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個重要方向。" \
       "它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。" \
       "自然語言處理是一門融語言學(xué)、計算機科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此,這一領(lǐng)域的研究將涉及自然語言,即人們?nèi)粘J褂玫恼Z言," \
       "所以它與語言學(xué)的研究有著密切的聯(lián)系,但又有重要的區(qū)別。" \
       "自然語言處理并不是一般地研究自然語言," \
       "而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng),特別是其中的軟件系統(tǒng)。" \
       "因而它是計算機科學(xué)的一部分"
# 提取關(guān)鍵詞
keywords = jieba.analyse.extract_tags(text, topK=20, withWeight=False)
# 調(diào)試輸出
print([i for i in keywords])

輸出結(jié)果:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
Loading model cost 0.890 seconds.
Prefix dict has been built successfully.
['自然語言', '計算機科學(xué)', '語言學(xué)', '研究', '領(lǐng)域', '處理', '通信', '有效', '軟件系統(tǒng)', '人工智能', '實現(xiàn)', '計算機系統(tǒng)', '重要', '一體', '一門', '日常', '計算機', '密切', '數(shù)學(xué)', '研制']

附帶關(guān)鍵詞權(quán)重

import jieba.analyse
# 定義文本
content = "自然語言處理是人工智能和語言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運用自然語言;自然語言處理包括多方面和步驟,基本有認知、理解、生成等部分。"
# 定義文本
text = "自然語言處理是計算機科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個重要方向。" \
       "它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。" \
       "自然語言處理是一門融語言學(xué)、計算機科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此,這一領(lǐng)域的研究將涉及自然語言,即人們?nèi)粘J褂玫恼Z言," \
       "所以它與語言學(xué)的研究有著密切的聯(lián)系,但又有重要的區(qū)別。" \
       "自然語言處理并不是一般地研究自然語言," \
       "而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng),特別是其中的軟件系統(tǒng)。" \
       "因而它是計算機科學(xué)的一部分"
# 提取關(guān)鍵詞 (帶權(quán)重)
keywords = jieba.analyse.extract_tags(text, topK=20, withWeight=True)
# 調(diào)試輸出
print([i for i in keywords])

輸出結(jié)果:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
Loading model cost 1.110 seconds.
Prefix dict has been built successfully.
[('自然語言', 1.1237629576061539), ('計算機科學(xué)', 0.4503481350267692), ('語言學(xué)', 0.27566262244215384), ('研究', 0.2660770221507693), ('領(lǐng)域', 0.24979825580353845), ('處理', 0.24973179957046154), ('通信', 0.2043557391963077), ('有效', 0.16296019853692306), ('軟件系統(tǒng)', 0.16102600688461538), ('人工智能', 0.14550809839215384), ('實現(xiàn)', 0.14389939312584615), ('計算機系統(tǒng)', 0.1402028601413846), ('重要', 0.12347581087876922), ('一體', 0.11349408224353846), ('一門', 0.11300493477184616), ('日常', 0.10913612756276922), ('計算機', 0.1046889912443077), ('密切', 0.10181409957492307), ('數(shù)學(xué)', 0.10166677655076924), ('研制', 0.09868653898630769)]

TextRank

TextRank 通過詞之間的相鄰關(guān)系構(gòu)建網(wǎng)絡(luò),然后用PageRank 迭代計算每個節(jié)點的 rank 值. 排序 rank值即可得到關(guān)鍵詞.

import jieba.analyse
# 定義文本
content = "自然語言處理是人工智能和語言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運用自然語言;自然語言處理包括多方面和步驟,基本有認知、理解、生成等部分。"
# 定義文本
text = "自然語言處理是計算機科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個重要方向。" \
       "它研究能實現(xiàn)人與計算機之間用自然語言進行有效通信的各種理論和方法。" \
       "自然語言處理是一門融語言學(xué)、計算機科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此,這一領(lǐng)域的研究將涉及自然語言,即人們?nèi)粘J褂玫恼Z言," \
       "所以它與語言學(xué)的研究有著密切的聯(lián)系,但又有重要的區(qū)別。" \
       "自然語言處理并不是一般地研究自然語言," \
       "而在于研制能有效地實現(xiàn)自然語言通信的計算機系統(tǒng),特別是其中的軟件系統(tǒng)。" \
       "因而它是計算機科學(xué)的一部分"
# TextRank提取關(guān)鍵詞
keywords = jieba.analyse.textrank(text, topK=20, withWeight=False)
# 調(diào)試輸出
print([i for i in keywords])

調(diào)試輸出:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
['研究', '領(lǐng)域', '計算機科學(xué)', '實現(xiàn)', '處理', '語言學(xué)', '數(shù)學(xué)', '人們', '計算機', '涉及', '有著', '一體', '方法', '語言', '研制', '使用', '人工智能', '在于', '聯(lián)系', '科學(xué)']
Loading model cost 1.062 seconds.
Prefix dict has been built successfully.

在這里插入圖片描述

以上就是Python機器學(xué)習(xí)NLP自然語言處理基本操作關(guān)鍵詞的詳細內(nèi)容,更多關(guān)于Python機器學(xué)習(xí)NLP自然語言處理的資料請關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • python下對hsv顏色空間進行量化操作

    python下對hsv顏色空間進行量化操作

    這篇文章主要介紹了python下對hsv顏色空間進行量化操作,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2020-06-06
  • Python的pytest測試框架中fixture的使用詳解

    Python的pytest測試框架中fixture的使用詳解

    這篇文章主要介紹了pytest中fixture的使用詳解,pytest是一個非常成熟的全功能的Python測試框架,能夠支持簡單的單元測試和復(fù)雜的功能測試,還可以用來做selenium/appnium等自動化測試、接口自動化測試,需要的朋友可以參考下
    2023-07-07
  • 淺談python字典多鍵值及重復(fù)鍵值的使用

    淺談python字典多鍵值及重復(fù)鍵值的使用

    下面小編就為大家?guī)硪黄獪\談python字典多鍵值及重復(fù)鍵值的使用。小編覺得挺不錯的,現(xiàn)在就分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2016-11-11
  • python使用os.listdir和os.walk獲得文件的路徑的方法

    python使用os.listdir和os.walk獲得文件的路徑的方法

    本篇文章主要介紹了python使用os.listdir和os.walk獲得文件的路徑的方法,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2017-12-12
  • 一文詳細介紹Python中pkl格式文件

    一文詳細介紹Python中pkl格式文件

    .pkl文件是Python中用于存儲對象的文件格式,全稱是"pickle",它是Python標準庫中的一個模塊,用于將Python對象序列化,以便于在不同的Python程序之間進行傳輸或存儲,這篇文章主要給大家介紹了如何通過一文詳細介紹Python中pkl格式文件的相關(guān)資料,需要的朋友可以參考下
    2024-05-05
  • Tensorflow2.1 MNIST圖像分類實現(xiàn)思路分析

    Tensorflow2.1 MNIST圖像分類實現(xiàn)思路分析

    這篇文章主要為大家介紹了Tensorflow2.1 MNIST圖像分類實現(xiàn)思路分析,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪
    2022-11-11
  • 怎么使用pipenv管理你的python項目

    怎么使用pipenv管理你的python項目

    本篇文章主要介紹了怎么使用pipenv管理你的python項目,小編覺得挺不錯的,現(xiàn)在分享給大家,也給大家做個參考。一起跟隨小編過來看看吧
    2018-03-03
  • Django繼承自帶user表并重寫的例子

    Django繼承自帶user表并重寫的例子

    今天小編就為大家分享一篇Django繼承自帶user表并重寫的例子,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-11-11
  • Django框架中數(shù)據(jù)的連鎖查詢和限制返回數(shù)據(jù)的方法

    Django框架中數(shù)據(jù)的連鎖查詢和限制返回數(shù)據(jù)的方法

    這篇文章主要介紹了Django框架中數(shù)據(jù)的連鎖查詢和限制返回數(shù)據(jù)的方法,Django是Python重多高人氣框架中最為著名的一個,需要的朋友可以參考下
    2015-07-07
  • Ubuntu下Python2與Python3的共存問題

    Ubuntu下Python2與Python3的共存問題

    Linux系統(tǒng)一般自帶Python,有時候又自己下載了Python,因此有可能Python2和Python3同時存在。那么當(dāng)我們在Terminal鍵入python的時候,會調(diào)出哪個Python呢?本文即解決這個問題
    2018-10-10

最新評論