手把手教你做文本挖掘 (文末有惊喜)

Posted 人工智能爱好者社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了手把手教你做文本挖掘 (文末有惊喜)相关的知识,希望对你有一定的参考价值。

4月20日Sim老师在Hellobi Live直播授课《手把手教你做文本处理》,阅读全文课报名。老司机带你快速上手文本处理!


一、文本挖掘定义

文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后者是无监督的挖掘算法。


二、文本挖掘步骤

1)读取数据库或本地外部文本文件

2)文本分词

2.1)自定义字典

2.2)自定义停止词

2.3)分词

2.4)文字云检索哪些词切的不准确、哪些词没有意义,需要循环2.1、2.2和              2.3步骤

3)构建文档-词条矩阵并转换为数据框

4)对数据框建立统计、挖掘模型

5)结果反馈


三、文本挖掘所需工具

本次文本挖掘将使用R语言实现,除此还需加载几个R包,它们是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包无法在CRAN镜像中下载到,有关这两个包的下载方法可参见下文:

R语言之文本挖掘--分词


四、实战

本文所用数据集来自于sougou实验室数据,具体可至如下链接下载:

http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz

本文对该数据集做了整合,将各个主题下的新闻汇总到一张csv表格中,数据格式如下图所示:


具体数据可至文章后面的链接。


#加载所需R包

library(tm)

library(Rwordseg)

library(wordcloud)

library(tmcn)

#读取数据

mydata <- read.table(file = file.choose(), header = TRUE, sep = ',',  stringsAsFactors = FALSE)

str(mydata)

手把手教你做文本挖掘 (文末有惊喜)

接下来需要对新闻内容进行分词,在分词之前需要导入一些自定义字典,目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容,故需要将搜狗字典插入到本次分析的字典集中。

#添加自定义字典

installDict(dictpath = 'G:\dict\财经金融词汇大全【官方推荐】.scel',

           dictname = 'Caijing', dicttype = 'scel')

installDict(dictpath = 'G:\dict\军事词汇大全【官方推荐】.scel',

           dictname = 'Junshi', dicttype = 'scel')

installDict(dictpath = 'G:\dict\篮球【官方推荐】.scel',

           dictname = 'Lanqiu', dicttype = 'scel')

installDict(dictpath = 'G:\dict\旅游词汇大全【官方推荐】.scel',

           dictname = 'Lvyou', dicttype = 'scel')

installDict(dictpath = 'G:\dict\汽车词汇大全【官方推荐】.scel',

           dictname = 'Qiche1', dicttype = 'scel')

installDict(dictpath = 'G:\dict\汽车频道专用词库.scel',

           dictname = 'Qiche2', dicttype = 'scel')

installDict(dictpath = 'G:\dict\医学词汇大全【官方推荐】.scel',

           dictname = 'Yixue', dicttype = 'scel')

installDict(dictpath = 'G:\dict\足球【官方推荐】.scel',

           dictname = 'Zuqiu', dicttype = 'scel')

#查看已安装的词典

listDict()

手把手教你做文本挖掘 (文末有惊喜)

如果需要卸载某些已导入字典的话,可以使用uninstallDict()函数。


分词前将中文中的英文字母统统去掉。

#剔除文本中含有的英文字母

mydata$Text <- gsub('[a-zA-Z]','',mydata$Text)

#分词

segword <- segmentCN(strwords = mydata$Text)

#查看第一条新闻分词结果

segword[[1]]

手把手教你做文本挖掘 (文末有惊喜)
图中圈出来的词对后续的分析并没有什么实际意义,故需要将其剔除,即删除停止词。


#创建停止词

mystopwords <- read.table(file = file.choose(), stringsAsFactors = FALSE)

head(mystopwords)

class(mystopwords)

#需要将数据框格式的数据转化为向量格式

mystopwords <- as.vector(mystopwords[,1])

head(mystopwords)

手把手教你做文本挖掘 (文末有惊喜)
停止词创建好后,该如何删除76条新闻中实际意义的词呢?下面通过自定义删除停止词的函数加以实现。


#自定义删除停止词的函数

removewords <- function(target_words,stop_words){

 target_words = target_words[target_words%in%stop_words==FALSE]

 return(target_words)

}

segword2 <- sapply(X = segword, FUN = removewords, mystopwords)

#查看已删除后的分词结果

segword2[[1]]

手把手教你做文本挖掘 (文末有惊喜)
相比与之前的分词结果,这里瘦身了很多,剔除了诸如“是”、“的”、“到”、“这”等无意义的次。


判别分词结果的好坏,最快捷的方法是绘制文字云,可以清晰的查看哪些词不该出现或哪些词分割的不准确。

#绘制文字图

word_freq <- getWordFreq(string = unlist(segword2))

opar <- par(no.readonly = TRUE)

par(bg = 'black')

#绘制出现频率最高的前50个词

wordcloud(words = word_freq$Word, freq = word_freq$Freq, max.words = 50, random.color = TRUE, colors = rainbow(n = 7))

par(opar)

手把手教你做文本挖掘 (文末有惊喜)
很明显这里仍然存在一些无意义的词(如说、日、个、去等)和分割不准确的词语(如黄金周切割为黄金,医药切割为药等),这里限于篇幅的原因,就不进行再次添加自定义词汇和停止词。


#将已分完词的列表导入为语料库,并进一步加工处理语料库

text_corpus <- Corpus(x = VectorSource(segword2))

text_corpus

手把手教你做文本挖掘 (文末有惊喜)
此时语料库中存放了76条新闻的分词结果。


#去除语料库中的数字

text_corpus <- tm_map(text_corpus, removeNumbers)

#去除语料库中的多余空格

text_corpus <- tm_map(text_corpus, stripWhitespace)

#创建文档-词条矩阵

dtm <- DocumentTermMatrix(x = text_corpus, control = list(wordLengths = c(2,Inf)))

dtm

手把手教你做文本挖掘 (文末有惊喜)
从图中可知,文档-词条矩阵包含了76行和7939列,行代表76条新闻,列代表7939个词;该矩阵实际上为稀疏矩阵,其中矩阵中非0元素有11655个,而0元素有591709,稀疏率达到98%;最后,这7939个词中,最频繁的一个词出现在了49条新闻中。


由于稀疏矩阵的稀疏率过高,这里将剔除一些出现频次极地的词语。

#去除稀疏矩阵中的词条

dtm <- removeSparseTerms(x = dtm, sparse = 0.9)

dtm

手把手教你做文本挖掘 (文末有惊喜)
这样一来,矩阵中列大幅减少,当前矩阵只包含了116列,即116个词语。


为了便于进一步的统计建模,需要将矩阵转换为数据框格式。

#将矩阵转换为数据框格式

df <- as.data.frame(inspect(dtm))

#查看数据框的前6行(部分)

head(df)

手把手教你做文本挖掘 (文末有惊喜)

统计建模:聚类分析

聚类分析是文本挖掘的基本应用,常用的聚类算法包括层次聚类法、划分聚类法、EM聚类法和密度聚类法。相关算法的应用可参考如下几篇文章:

基于R语言的数据挖掘之聚类算法--划分方法

基于R语言的数据挖掘之聚类算法--层次方法

基于R语言的数据挖掘之聚类算法--基于密度方法

聚类之EM算法


这里使用层次聚类中的McQuitty相似分析法实现新闻的聚类。

#计算距离

d <- dist(df)

#层次聚类法之McQuitty相似分析法

fit1 <- hclust(d = d, method = 'mcquitty')

plot(fit1)

rect.hclust(tree = fit1, k = 7, border = 'red')


这里的McQuitty层次聚类法效果不理想,类与类之间分布相当不平衡,我想可能存在三种原因:

1)文章的主干关键词出现频次不够,使得文章没能反映某种主题;

2)分词过程中没有剔除对建模不利的干扰词,如中国、美国、公司、市场、记者等词语;

3)没能够准确分割某些常用词,如黄金周。


总结

所以在实际的文本挖掘过程中,最为困难和耗费时间的就是分词部分,既要准确分词,又要剔除无意义的词语,这对文本挖掘者是一种挑战。


文中数据和脚本可至如下链接下载:

http://yunpan.cn/cupyBj9xTkHe7  访问密码 a88b






以上是关于手把手教你做文本挖掘 (文末有惊喜)的主要内容,如果未能解决你的问题,请参考以下文章

数据挖掘:手把手教你文本挖掘

手把手教你做重复测量方差(文末有数据)

R语言之文本挖掘--分词

文本挖掘:手把手教你分析携程网评论数据

独家 | 手把手教你做数据挖掘 !(附教程&数据源)

数据挖掘实战:带你做客户价值分析(附代码)