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),網上竟然沒有一個完整的關于Python實現(xiàn)的中文文本聚類(乃至搜索關鍵詞python 中文文本聚類也是如此),網上大部分是關于文本聚類的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
- 構建詞袋空間VSM(vector space model)
- TF-IDF構建詞權重
- 使用K-means算法
一、 切詞
這里中文切詞使用的是結巴切詞。github項目主頁上有結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、 構建詞袋空間VSM(vector space model)
接下來是構建詞袋空間,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有相關函數(shù),但是我知道能對中文也使用)。
對每個文檔,都將構建一個向量,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)轉化為權值(TF-IDF)
換句話說,我們的vsm保存的本來已經是向量的形式,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)轉化為權值。
關于TF-IDF的介紹可以參考網上的文章:
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于TF(term frequency)的計算,關于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上大部分關于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《機器學習實戰(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
基本上到這里為止,一個可用的中文文本聚類工具已經完成了,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:
文檔本身已經屬于高度分類的了,基于詞頻的聚類并不能發(fā)現(xiàn)關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置修改一下。
總之,在學習若干天機器學習后,第一次實踐之旅算是結束了。
以上就是python中文文本切詞Kmeans聚類的詳細內容,更多關于python文本切詞Kmeans聚類的資料請關注腳本之家其它相關文章!
相關文章
Python之inspect模塊實現(xiàn)獲取加載模塊路徑的方法
今天小編就為大家分享一篇Python之inspect模塊實現(xiàn)獲取加載模塊路徑的方法,具有很好的價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-10-10
Python編寫可視化界面的全過程(Python+PyCharm+PyQt)
這篇文章主要給大家介紹了關于Python編寫可視化界面的相關資料,主要使用了Python+PyCharm+PyQt,文中通過實例代碼介紹的非常詳細,需要的朋友可以參考下2021-05-05
python庫umap有效地揭示高維數(shù)據(jù)的結構和模式初探
這篇文章主要介紹了python庫umap有效地揭示高維數(shù)據(jù)的結構和模式初探,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2024-01-01

