存储文本挖掘数据

Posted 2023-03-12

【中文标题】存储文本挖掘数据

【英文标题】：Storing text mining data

【发布时间】：2012-07-01 07:13:57

【问题描述】：

我希望跟踪大量文档中的主题流行度。此外，我想根据主题向用户提供推荐，而不是通常的词袋模型。 为了提取主题，我使用了超出本文重点的自然语言处理技术。

我的问题是我应该如何保存这些数据，以便： I）我可以快速获取每个主题的趋势数据（原则上，每次用户打开文档时，该文档中的主题应该会受欢迎） II）我可以快速比较文档以提供建议（这里我正在考虑使用聚类技术）

更具体地说，我的问题是： 1）我应该采用通常的的方式吗？意思是为每个文档存储一个主题出现向量，以便我以后可以测量不同文档之间的欧几里德距离。 2) 其他方式？

我正在寻找特定的 python 方法来做到这一点。我研究过 SQL 和 NoSQL 数据库，也研究过 pytables 和 h5py，但我不确定如何实现这样的系统。我担心的一个问题是如何处理不断增长的主题词汇？

非常感谢

【问题讨论】：

主题是否添加到文档中一次？或者，是否可以随着时间的推移将新主题添加到旧文档中？

@GordonLinoff 它们被添加一次。

您的问题的答案是，您应该将其存储在包含主题、DocumentUsage 和 DocumentTopics 表的 sql 数据库中。我刚刚写出了完整的答案，但由于一些技术问题，堆栈溢出丢失了它。我现在没有时间重新输入。

【参考方案1】：

为什么不用简单的 SQL 表

表格：

主键为 id 或文件名之类的文档 在文档和术语中使用外键的观察结果（在两个字段上都有索引可能是唯一的）

您提到的数组方法似乎是一种缓慢的方法。 使用 sql，您可以轻松地将新术语添加到观察表中。

如果文档表包含时间戳，则可以通过按日期聚合来轻松聚合甚至做趋势数据。

【参考方案2】：

我建议您在 SQL 数据库中完成这项工作。您可能不想将文档存储在那里，但主题是合适的。

您只需要一张表来显示主题：

create table Topics (
    TopicId int identity(1,1), -- SQL Server for auto increment column
    TopicName varchar(255),
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

)

假设您有某种文档 id 来识别文档，您需要另一个表格来分配给文档的主题：

create table DocumentTopics (
    DocumentTopicId int identity(1,1), -- SQL Server for auto increment column
    TopicId int,
    DocumentID int,
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

)

还有一个用于文档视图的表格：

create table DocumentView (
    DocumentViewId int identity(1,1), -- SQL Server for auto increment column
    DocumentId int,
    ViewedAt datetime,
    viewedBy int, -- some sort of user id
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

)

现在，您可以使用以下查询按给定日期范围内的热门程度获取主题：

select t.TopicId, t.TopicName, count(*) as cnt
from DocumentUsage du join
     DocumentTopics dt
     on du.DocumentId = dt.DocumentId join
     Topics t
     on dt.TopicsId = t.TopicsId
where du.ViewedAt between <date1> and <date2>
group by t.TopicId, t.TopicName
order by 3 desc

您还可以获取有关用户的信息、随时间的变化以及其他信息。你可以有一个 users 表，它可以为主题提供权重（更可靠的用户，更不可靠的用户）。系统的这方面应该在 SQL 中完成。