nlp入门（四）新闻分类实验

金球五金陈万里

源码请到：自然语言处理练习: 学习自然语言处理时候写的一些代码 (gitee.com)
数据来源：
搜狗新闻语料库 由于链接失效，现在使用百度网盘分享
链接：https://pan.baidu.com/s/1RTx2k7V3Ujgg9-Rv8I8IRA?pwd=ujn3
提取码：ujn3
停用词 来源于网络
链接：https://pan.baidu.com/s/1ePrf4_gWx8_pTn6PEjTtCw?pwd=5jov
提取码：5jov
字样式文件 来源于网络
链接：https://pan.baidu.com/s/1uVreJY-MKhz1HXzAw5e4VQ?pwd=8ill
提取码：8ill
一、tf-idf简介

TF = 某词在文章中出现的次数/该文章中出现最多词出现的次数
IDF = log(文章总数/包含该词的文章数+1)
TF-IDF = TF * IDF
二、加载数据集

1. # 载入数据集
2. df_news = pd.read_table('./data/val.txt', names=['category', 'theme', 'URL', 'content'], encoding='utf-8')
3. df_news = df_news.dropna()
4. print(df_news.head())
5. print(df_news.shape)

复制代码

 可以看到有5000行4列的数据，其中第一列可以作为新闻分类的标签，最后一列为新闻内容
三、分词

首先将数据转换为list格式

1. # 转换为list格式
2. content = df_news.content.values.tolist()
3. print(content[1000])

复制代码

 将最后一列数据摘出来转换成了一个字符串列表，就可以进行分词操作

1. # 分词
2. content_S = []
3. for line in content:
4.     current_segment = jieba.lcut(line)
5.     if len(current_segment) > 1 and current_segment != '\r\n':
6.         content_S.append(current_segment)
7. print(content_S[1000])
8. df_content = pd.DataFrame({'content_S': content_S})
9. print(df_content.head())

复制代码

 四、去掉停用词

可以看出上面还有许多没有价值的词作干扰，所以我们加载停用词库并且去掉停用词

1. # 加载停用词
2. stopwords = pd.read_csv('./data/stopwords.txt', index_col=False, sep='\t', quoting=3, names=['stopword'],
3.                         encoding='utf-8')
4. print(stopwords.head(20))
7. # 去掉停用词
8. def drop_stopwords(contents, stopwords):
9.     contents_clean = []
10.     all_words = []
11.     for line in contents:
12.         line_clean = []
13.         for word in line:
14.             if word in stopwords:
15.                 continue
16.             line_clean.append(word)
17.             all_words.append(str(word))
18.         contents_clean.append(line_clean)
19.     return contents_clean, all_words
22. contents = df_content.content_S.values.tolist()
23. stopwords = stopwords.stopword.values.tolist()
24. contents_clean, all_words = drop_stopwords(contents, stopwords)
25. df_content = pd.DataFrame({'contents_clean': contents_clean})
26. print(df_content.head())
27. df_all_words = pd.DataFrame({'all_words': all_words})
28. print(df_all_words.head())

复制代码

 

 五、计算词频

1. # 计算词频
2. words_count = df_all_words.groupby(by=['all_words'])['all_words'].agg(count='count')
3. words_count = words_count.reset_index().sort_values(by=['count'], ascending=False)
4. print(words_count.head())

复制代码

 六、绘制词云

1. # 绘制词云
2. wordcloud = WordCloud(font_path='./data/SimHei.ttf', background_color='white', max_font_size=80)
3. word_frequence = {x[0]: x[1] for x in words_count.head(100).values}
4. wordcloud = wordcloud.fit_words(word_frequence)
5. plt.imshow(wordcloud)
6. plt.show()

复制代码

 七、使用tf-idf提取关键词

1. # tf-idf
2. index = 1000
3. print(df_news['content'][index])
4. content_S_str = ''.join(content_S[index])
5. print(' '.join(jieba.analyse.extract_tags(content_S_str, topK=5, withWeight=False)))

复制代码

 八、使用主题模型提取关键词

1. # LDA
2. dictionary = corpora.Dictionary(contents_clean)
3. corpus = [dictionary.doc2bow(sentence) for sentence in contents_clean]
4. lda = gensim.models.ldamodel.LdaModel(corpus=corpus, id2word=dictionary, num_topics=20)
5. print(lda.print_topic(1, topn=5))
6. for topic in lda.print_topics(num_topics=20, num_words=5):
7.     print(topic[1])

复制代码

 可以看出第一类词的成分权重

 这是所有类型的词成分权重
九、使用贝叶斯算法进行分类

1. # 贝叶斯算法进行分类
2. df_train = pd.DataFrame({'contents_clean': contents_clean, 'label': df_news['category']})
3. print(df_train.tail())
4. print(df_train.label.unique())
5. label_mapping = {'汽车': 1, '财经': 2, '科技': 3, '健康': 4, '体育': 5, '教育': 6, '文化': 7, '军事': 8, '娱乐': 9,
6.                  '时尚': 0}
7. df_train['label'] = df_train['label'].map(label_mapping)
8. print(df_train.head())
9. x_train, x_test, y_train, y_test = train_test_split(df_train['contents_clean'].values, df_train['label'].values)
10. print(x_train[0][1])
12. words = []
13. for line_index in range(len(x_train)):
14.     words.append(' '.join(x_train[line_index]))
15. print(words[0])
16. print(len(words))
17. # 计算词频构造向量
18. vec = CountVectorizer(analyzer='word', max_features=4000, lowercase=False)
19. vec.fit(words)
20. classifier = MultinomialNB()
21. classifier.fit(vec.transform(words), y_train)
22. test_words = []
23. for line_index in range(len(x_test)):
24.     test_words.append(' '.join(x_test[line_index]))
25. print(test_words[0])
26. print(len(test_words))
27. print(classifier.score(vec.transform(test_words), y_test))
28. # tf-idf构造词向量
29. vec2 = TfidfVectorizer(analyzer='word', max_features=4000, lowercase=False)
30. vec2.fit(words)
31. classifier = MultinomialNB()
32. classifier.fit(vec2.transform(words), y_train)
33. print(classifier.score(vec2.transform(test_words), y_test))
34. # 词频构造多维向量形式构造词向量
35. vec3 = CountVectorizer(analyzer='word', max_features=4000, lowercase=False, ngram_range=(1, 2))
36. vec3.fit(words)
37. classifier = MultinomialNB()
38. classifier.fit(vec3.transform(words), y_train)
39. print(classifier.score(vec3.transform(test_words), y_test))
40. # tfidf构造多维向量形式构造词向量
41. vec4 = TfidfVectorizer(analyzer='word', max_features=4000, lowercase=False, ngram_range=(1, 2))
42. vec4.fit(words)
43. classifier = MultinomialNB()
44. classifier.fit(vec4.transform(words), y_train)
45. print(classifier.score(vec4.transform(test_words), y_test))

复制代码

 可以看出不同方法构成词向量对结果产生了影响，使用tf-idf方法构建词向量比单纯使用词频构建词向量准确率高一些，将词向量扩充多维比不扩充准确率稍微高一些
 

来源:https://www.cnblogs.com/zhangshihang/p/17619471.html
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！