使用 Mean Shift 进行文档聚类

Posted 2023-03-12

【中文标题】使用 Mean Shift 进行文档聚类

【英文标题】：Document clustering using Mean Shift

【发布时间】：2018-02-21 08:26:24

【问题描述】：

我拿了一堆文档并为所有文档中的每个标记计算 tf*idf 并为每个文档创建向量（每个 n 维，n 是语料库中唯一单词的数量）。我无法弄清楚如何使用 sklearn.cluster.MeanShift 从向量创建集群

【问题讨论】：

计算tfidf后，是否有数值矩阵（即：行列数据表）？它是稀疏的还是密集的？一般是什么类型的？您是否使用了 sklearn 中的 TfidfVectorizer()？

是的，我使用 TfidfVectorizer() 得到了一个稀疏矩阵。我不明白如何将其作为 sklearn.clister.MeanShift 的输入

【参考方案1】：

TfidfVectorizer 将文档转换为数字的“稀疏矩阵”。 MeanShift 要求传递给它的数据是“密集的”。下面，我将展示如何在管道中转换它 (credit)，但是，如果内存允许，您可以使用 toarray() 或 todense() 将稀疏矩阵转换为密集矩阵。

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.cluster import MeanShift
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import FunctionTransformer

documents = ['this is document one',
             'this is document two',
             'document one is fun',
             'document two is mean',
             'document is really short',
             'how fun is document one?',
             'mean shift... what is that']

pipeline = Pipeline(
  steps=[
    ('tfidf', TfidfVectorizer()),
    ('trans', FunctionTransformer(lambda x: x.todense(), accept_sparse=True)),
    ('clust', MeanShift())
  ])

pipeline.fit(documents)
pipeline.named_steps['clust'].labels_

result = [(label,doc) for doc,label in zip(documents, pipeline.named_steps['clust'].labels_)]

for label,doc in sorted(result):
  print(label, doc)

打印：

0 document two is mean
0 this is document one
0 this is document two
1 document one is fun
1 how fun is document one?
2 mean shift... what is that
3 document is really short

您可以修改“超参数”，但我认为这会给您一个大致的概念。

【讨论】：

如果输入是一个csv，每一行都是关键字或句子。我尝试添加以下内容

import csv with open('4.csv', 'r', encoding='utf-8') as f: reader = csv.reader(f) your_list = list(reader) print( your_list)