python中文文本切詞Kmeans聚類
簡介
查看百度搜索中文文本聚類我失望的發(fā)現(xiàn),網(wǎng)上竟然沒有一個完整的關(guān)于Python實現(xiàn)的中文文本聚類(乃至搜索關(guān)鍵詞python 中文文本聚類也是如此),網(wǎng)上大部分是關(guān)于文本聚類的Kmeans聚類的原理,Java實現(xiàn),R語言實現(xiàn),甚至都有一個C++的實現(xiàn)。
正好我寫的一些文章,我沒能很好的分類,我想能不能通過聚類的方法將一些相似的文章進行聚類,然后我再看每個聚類大概的主題是什么,給每個聚類一個標簽,這樣也是完成了分類。
中文文本聚類主要有一下幾個步驟,下面將分別詳細介紹:
- 切詞
- 去除停用詞
- 構(gòu)建詞袋空間VSM(vector space model)
- TF-IDF構(gòu)建詞權(quán)重
- 使用K-means算法
一、 切詞
這里中文切詞使用的是結(jié)巴切詞。github項目主頁上有結(jié)巴切詞的詳細安裝方式,以及示例說明,這里不再詳述,一般情況下,可以使用如下方式安裝。
# pip install jieba
或者
# easy_install jieba
二、 去除停用詞
結(jié)巴分詞雖然有去除停用詞的功能,但是好像只是給jieba.analyse組建使用的,并不給jieba.cut使用,所以這里我們還是要自己構(gòu)建停用詞文件,以及去除停用詞。常見的中文停用詞有:
1. 中文停用詞表(比較全面,有1208個停用詞)
2. 最全中文停用詞表整理(1893個)
實現(xiàn)代碼如下(代碼比較水):
def read_from_file(file_name): with open(file_name,"r") as fp: words = fp.read() return words def stop_words(stop_word_file): words = read_from_file(stop_word_file) result = jieba.cut(words) new_words = [] for r in result: new_words.append(r) return set(new_words) def del_stop_words(words,stop_words_set): # words是已經(jīng)切詞但是沒有去除停用詞的文檔。 # 返回的會是去除停用詞后的文檔 result = jieba.cut(words) new_words = [] for r in result: if r not in stop_words_set: new_words.append(r) return new_words
三、 構(gòu)建詞袋空間VSM(vector space model)
接下來是構(gòu)建詞袋空間,我們的步驟如下
將所有文檔讀入到程序中,再將每個文檔切詞。
去除每個文檔中的停用詞。
統(tǒng)計所有文檔的詞集合(sk-learn有相關(guān)函數(shù),但是我知道能對中文也使用)。
對每個文檔,都將構(gòu)建一個向量,向量的值是詞語在本文檔中出現(xiàn)的次數(shù)。
舉個例子,假設(shè)有兩個文本,
1.我愛上海,我愛中國
2.中國偉大,上海漂亮
那么切詞之后就有一下詞語:我,愛,上海,中國,偉大,漂亮,,(逗號也可能被切詞)。
再假設(shè)停用詞是我 ,,那么去除停用詞后,剩余的詞語就是
愛,上海,中國,偉大,漂亮
然后我們對文檔1和文檔2構(gòu)建向量,那么向量將如下:
文本 愛 上海 中國 偉大 漂亮
文檔1 2 1 1 0 0
文檔2 0 1 1 1 1
代碼如下:
def get_all_vector(file_path,stop_words_set): names = [ os.path.join(file_path,f) for f in os.listdir(file_path) ] posts = [ open(name).read() for name in names ] docs = [] word_set = set() for post in posts: doc = del_stop_words(post,stop_words_set) docs.append(doc) word_set |= set(doc) #print len(doc),len(word_set) word_set = list(word_set) docs_vsm = [] #for word in word_set[:30]: #print word.encode("utf-8"), for doc in docs: temp_vector = [] for word in word_set: temp_vector.append(doc.count(word) * 1.0) #print temp_vector[-30:-1] docs_vsm.append(temp_vector) docs_matrix = np.array(docs_vsm)
在python中表示可能如下[[2,1,1,0,0],[0,1,1,1,]],我們盡可能將其放入到numpy的array或者matrix中方便下面TF-IDF的計算。
四、 將單詞出現(xiàn)的次數(shù)轉(zhuǎn)化為權(quán)值(TF-IDF)
換句話說,我們的vsm保存的本來已經(jīng)是向量的形式,我們?yōu)槭裁催€需要TF-IDF的形式呢?我認為這就是為了將單詞出現(xiàn)的次數(shù)轉(zhuǎn)化為權(quán)值。
關(guān)于TF-IDF的介紹可以參考網(wǎng)上的文章:
1. 基本文本聚類方法
2. TF-IDF百度百科
3. TF-IDF維基百科英文版(需要FQ)
這里需要注意的是關(guān)于TF(term frequency)的計算,關(guān)于IDF(Inverse document frequency)的計算,我看公式基本上都是一樣的:
逆向文件頻率(inverse document frequency,IDF)是一個詞語普遍重要性的度量。某一特定詞語的IDF,可以由總文件數(shù)目除以包含該詞語之文件的數(shù)目,再將得到的商取對數(shù)得到:本公式用編輯,推薦一個令人驚嘆的網(wǎng)站:Detexify
其中
:語料庫中的文件總數(shù)
:包含詞語的文件數(shù)目(即的文件數(shù)目)如果該詞語不在語料庫中,就會導(dǎo)致分母為零,因此一般情況下使用作為分母。
然而百度百科以及網(wǎng)上大部分關(guān)于TF的介紹其實是有問題的,TF-IDF百度百科中說詞頻(term frequency,TF)指的是某一個給定的詞語在該文件中出現(xiàn)的頻率,那么很明顯這個計算公式就為:
然而這種計算方式常常會導(dǎo)致TF過小,其實TF-IDF并不是只有一種計算方式,而是多種,這個時候就體現(xiàn)出維基百科的威力了,具體的關(guān)于TF-IDF的介紹還是要參照維基百科。
如果不熟悉numpy,可以參考numpy官方文檔
column_sum = [ float(len(np.nonzero(docs_matrix[:,i])[0])) for i in range(docs_matrix.shape[1]) ] column_sum = np.array(column_sum) column_sum = docs_matrix.shape[0] / column_sum idf = np.log(column_sum) idf = np.diag(idf) # 請仔細想想,根絕IDF的定義,計算詞的IDF并不依賴于某個文檔,所以我們提前計算好。 # 注意一下計算都是矩陣運算,不是單個變量的運算。 for doc_v in docs_matrix: if doc_v.sum() == 0: doc_v = doc_v / 1 else: doc_v = doc_v / (doc_v.sum()) tfidf = np.dot(docs_matrix,idf) return names,tfidf
現(xiàn)在我們擁有的矩陣的性質(zhì)如下,
列是所有文檔總共的詞的集合。
每行代表一個文檔。
每行是一個向量,向量的每個值是這個詞的權(quán)值。
五、 用K-means算法進行聚類
到這個時候,我們可以使用kmeans算法進行聚類,對kmeans算法來說,它看到已經(jīng)不是文本了,只是矩陣而已,所以我們用的也是通用的kmeans算法就可以了。
關(guān)于kmeans的介紹可以見于如下的文章:
1. 基本Kmeans算法介紹及其實現(xiàn)
2. K-means百度百科
3. 淺談Kmeans聚類
所不同的是,在大部分的文本聚類中,人們通常用余弦距離(很好的介紹文章)而不是歐氏距離進行計算,難道是因為稀疏矩陣的原因,我并不太明白。
下面的代碼來自《機器學(xué)習(xí)實戰(zhàn)》第十章的代碼:
def gen_sim(A,B): num = float(np.dot(A,B.T)) denum = np.linalg.norm(A) * np.linalg.norm(B) if denum == 0: denum = 1 cosn = num / denum sim = 0.5 + 0.5 * cosn return sim def randCent(dataSet, k): n = shape(dataSet)[1] centroids = mat(zeros((k,n)))#create centroid mat for j in range(n):#create random cluster centers, within bounds of each dimension minJ = min(dataSet[:,j]) rangeJ = float(max(dataSet[:,j]) - minJ) centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1)) return centroids def kMeans(dataSet, k, distMeas=gen_sim, createCent=randCent): m = shape(dataSet)[0] clusterAssment = mat(zeros((m,2)))#create mat to assign data points #to a centroid, also holds SE of each point centroids = createCent(dataSet, k) clusterChanged = True counter = 0 while counter <= 50: counter += 1 clusterChanged = False for i in range(m):#for each data point assign it to the closest centroid minDist = inf; minIndex = -1 for j in range(k): distJI = distMeas(centroids[j,:],dataSet[i,:]) if distJI < minDist: minDist = distJI; minIndex = j if clusterAssment[i,0] != minIndex: clusterChanged = True clusterAssment[i,:] = minIndex,minDist**2 #print centroids for cent in range(k):#recalculate centroids ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean return centroids, clusterAssment
六、 總結(jié)
基本上到這里為止,一個可用的中文文本聚類工具已經(jīng)完成了,github項目地址。其效果到底怎么樣呢?
我自己有一些未分類的文章屬于人生感悟(羞羞臉)類別的共有182篇,在切詞以及去除停用詞之后,共得到13202個詞語,我設(shè)置K=10,嗯,效果并不是太好,當然可能有一下原因:
文檔本身已經(jīng)屬于高度分類的了,基于詞頻的聚類并不能發(fā)現(xiàn)關(guān)于這些文章間的細微的區(qū)別。
算法需要優(yōu)化,可能有些地方可以設(shè)置修改一下。
總之,在學(xué)習(xí)若干天機器學(xué)習(xí)后,第一次實踐之旅算是結(jié)束了。
以上就是python中文文本切詞Kmeans聚類的詳細內(nèi)容,更多關(guān)于python文本切詞Kmeans聚類的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
python PyAUtoGUI庫實現(xiàn)自動化控制鼠標鍵盤
這篇文章主要介紹了python PyAUtoGUI庫實現(xiàn)自動化控制鼠標鍵盤,幫助大家更好的理解和使用python,感興趣的朋友可以了解下2020-09-09Python利用Turtle繪制Technoblade的示例代碼
國外一位在YouTube擁有上千萬粉絲的我的世界游戲主播Technoblade因癌癥與世長辭,為了紀念他,特地寫了這篇文章,教大家用Turtle繪制出Technoblade,快跟隨小編一起學(xué)習(xí)一下吧2023-01-01