首頁 > 軟體

python中文文字切詞Kmeans聚類

2022-05-20 13:12:23

簡介

檢視百度搜尋中文文字聚類我失望的發現,網上竟然沒有一個完整的關於Python實現的中文文字聚類(乃至搜尋關鍵詞python 中文文字聚類也是如此),網上大部分是關於文字聚類的Kmeans聚類的原理,Java實現,R語言實現,甚至都有一個C++的實現。

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,然後我再看每個聚類大概的主題是什麼,給每個聚類一個標籤,這樣也是完成了分類。

中文文字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演演算法

一、 切詞

這裡中文切詞使用的是結巴切詞。github專案主頁上有結巴切詞的詳細安裝方式,以及範例說明,這裡不再詳述,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,並不給jieba.cut使用,所以這裡我們還是要自己構建停用詞檔案,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)

實現程式碼如下(程式碼比較水):

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檔案。
#   返回的會是去除停用詞後的檔案
    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

將所有檔案讀入到程式中,再將每個檔案切詞。

去除每個檔案中的停用詞。

統計所有檔案的詞集合(sk-learn有相關函數,但是我知道能對中文也使用)。

對每個檔案,都將構建一個向量,向量的值是詞語在本檔案中出現的次數。

舉個例子,假設有兩個文字,

1.我愛上海,我愛中國

2.中國偉大,上海漂亮

那麼切詞之後就有一下詞語: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 ,,那麼去除停用詞後,剩餘的詞語就是

愛,上海,中國,偉大,漂亮

然後我們對檔案1和檔案2構建向量,那麼向量將如下:

文字    愛    上海    中國    偉大    漂亮
檔案1    2    1    1    0    0
檔案2    0    1    1    1    1

程式碼如下:

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,]],我們儘可能將其放入到numpy的array或者matrix中方便下面TF-IDF的計算。

四、 將單詞出現的次數轉化為權值(TF-IDF)

換句話說,我們的vsm儲存的本來已經是向量的形式,我們為什麼還需要TF-IDF的形式呢?我認為這就是為了將單詞出現的次數轉化為權值。

關於TF-IDF的介紹可以參考網上的文章: 

1. 基本文字聚類方法 

2. TF-IDF百度百科 

3. TF-IDF維基百科英文版(需要FQ)

這裡需要注意的是關於TF(term frequency)的計算,關於IDF(Inverse document frequency)的計算,我看公式基本上都是一樣的:

逆向檔案頻率(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,可以由總檔案數目除以包含該詞語之檔案的數目,再將得到的商取對數得到:本公式用編輯,推薦一個令人驚歎的網站:Detexify

其中

:語料庫中的檔案總數

:包含詞語的檔案數目(即的檔案數目)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於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檔案中出現的頻率,那麼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並不是只有一種計算方式,而是多種,這個時候就體現出維基百科的威力了,具體的關於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官方檔案

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並不依賴於某個檔案,所以我們提前計算好。
# 注意一下計算都是矩陣運算,不是單個變數的運算。
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

現在我們擁有的矩陣的性質如下,

列是所有檔案總共的詞的集合。

每行代表一個檔案。

每行是一個向量,向量的每個值是這個詞的權值。

五、 用K-means演演算法進行聚類

到這個時候,我們可以使用kmeans演演算法進行聚類,對kmeans演演算法來說,它看到已經不是文字了,只是矩陣而已,所以我們用的也是通用的kmeans演演算法就可以了。

關於kmeans的介紹可以見於如下的文章: 

1. 基本Kmeans演演算法介紹及其實現 

2. K-means百度百科 

3. 淺談Kmeans聚類

所不同的是,在大部分的文字聚類中,人們通常用餘弦距離(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,我並不太明白。

下面的程式碼來自《機器學習實戰》第十章的程式碼:

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

基本上到這裡為止,一個可用的中文文字聚類工具已經完成了,github專案地址。其效果到底怎麼樣呢?

我自己有一些未分類的文章屬於人生感悟(羞羞臉)類別的共有182篇,在切詞以及去除停用詞之後,共得到13202個詞語,我設定K=10,嗯,效果並不是太好,當然可能有一下原因:

檔案本身已經屬於高度分類的了,基於詞頻的聚類並不能發現關於這些文章間的細微的區別。

演演算法需要優化,可能有些地方可以設定修改一下。

總之,在學習若干天機器學習後,第一次實踐之旅算是結束了。

以上就是python中文文字切詞Kmeans聚類的詳細內容,更多關於python文字切詞Kmeans聚類的資料請關注it145.com其它相關文章!


IT145.com E-mail:sddin#qq.com