nltk-构建和使用语料库-可用于小说的推荐-完整实例

步骤1：构建语料库：

[python]  view plain  copy

1. #!/usr/bin/env python  
2. #-*-coding=utf-8-*-  
3.    
4.    
5. #数据源目录(二级目录)  
6. sourceDataDir='data'  
7.    
8. #数据源文件列表  
9. fileLists = []  
10.    
11. import os  
12. from gensim import corpora, models, similarities  
13.                
14. def getSourceFileLists(sourceDataDir):    
15.     fileLists = []  
16.     subDirList = os.listdir(sourceDataDir)  
17.     for subDir in subDirList:  
18.         subList = os.listdir(sourceDataDir + '/' + subDir)  
19.         fileList = [ sourceDataDir+'/'+subDir+'/'+ x for x in subList if os.path.isfile(sourceDataDir+'/'+subDir+'/'+x)]  
20.         fileLists += fileList  
21.    
22.     return  fileLists     
23.            
24.            
25. fileLists = getSourceFileLists(sourceDataDir)    
26.      
27.      
28. if 0 < len(fileLists):   
29.     import codecs  
30.     import jieba  
31.     punctuations = ['','\n','\t',',', '.', ':', ';', '?', '(', ')', '[', ']', '&', '!', '*', '@', '#', '$', '%']   
32.        
33.     if not os.path.exists('dict'):  
34.         os.mkdir("dict")   
35.     if not os.path.exists('corpus'):  
36.         os.mkdir("corpus")   
37.    
38.     for fileName in fileLists:  
39.         print fileName  
40.    
41.         hFile = None  
42.         content = None  
43.         try:  
44.             hFile = codecs.open(fileName,'r','gb18030')  
45.             content = hFile.readlines()  
46.         except Exception,e:  
47.             print e  
48.         finally:  
49.             if hFile:  
50.                 hFile.close()  
51.            
52.         if content:  
53.             fileFenci = [ x for x in jieba.cut(' '.join(content),cut_all=True)]  
54.             fileFenci2 = [word for word in fileFenci if not word in punctuations]    
55.                
56.             texts = [fileFenci2]  
57.    
58.             all_tokens = sum(texts, [])  
59.             tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) == 1)  
60.             texts = [[word for word in text if word not in tokens_once] for text in texts]  
61.    
62.             sFileDir, sFileName = os.path.split(fileName)  
63.             dictFileName = 'dict/'+sFileName+'.dict'  
64.             corpusFileName = 'corpus/'+sFileName+'.mm'  
65.                
66.             dictionary = corpora.Dictionary(texts)  
67.             dictionary.save_as_text(dictFileName)  
68.    
69.             corpus = ([dictionary.doc2bow(text) for text in texts])  
70.             corpora.MmCorpus.serialize(corpusFileName, corpus)   
71.    
72. print 'Build corpus done'  

数据源：

来自 http://d1.txthj.com/newrar/txthj_264.rar 的83篇小说，将其目录存放在目录 ./data/下。

加载时作为二层目录处理

输出：

./dict 和 ./corpus

在对应目录下生成 xxx.dict 和 xxx.mm，xxx为原文件的全称(不包括路径，包括后缀)

步骤2：加载语料库，相似性分析

[python]  view plain  copy

1. #!/usr/bin/env python  
2. #-*-coding=utf-8-*-  
3.    
4.    
5. import os  
6. from gensim import corpora, models, similarities  
7.                
8. def getFileList(dir):              
9.     return [ dir + x for x in os.listdir(dir)]  
10. dictLists =  getFileList('./dict/')  
11.     
12.    
13. class LoadDictionary(object):  
14.     def __init__(self, dictionary):  
15.         self.dictionary = dictionary  
16.    
17.     def __iter__(self):  
18.         for dictFile in dictLists:  
19.             sFileRaw, sFilePostfix = os.path.splitext(dictFile)  
20.             sFileDir, sFileName = os.path.split(sFileRaw)  
21.             (dictFile, corpusFile) = ( './dict/' + sFileName + '.dict',  './corpus/'+sFileName + '.mm')  
22.             yield self.dictionary.load_from_text(dictFile)  
23.                
24. class LoadCorpus(object):  
25.    
26.     def __iter__(self):  
27.         for dictFile in dictLists:  
28.             sFileRaw, sFilePostfix = os.path.splitext(dictFile)  
29.             sFileDir, sFileName = os.path.split(sFileRaw)  
30.             (dictFile, corpusFile) = ( './dict/' + sFileName + '.dict',  './corpus/'+sFileName + '.mm')  
31.             yield corpora.MmCorpus(corpusFile)  
32.                
33.      
34. """ 
35.     预处理(easy_install nltk) 
36. """  
37. #简化的 中文+英文 预处理  
38. def pre_process_cn(inputs, low_freq_filter = True):  
39.     """ 
40.         1.去掉停用词 
41.         2.去掉标点符号 
42.         3.处理为词干 
43.         4.去掉低频词 
44.   
45.     """  
46.     import nltk  
47.     import jieba.analyse  
48.     from nltk.tokenize import word_tokenize  
49.        
50.     texts_tokenized = []  
51.     for document in inputs:  
52.         texts_tokenized_tmp = []  
53.         for word in word_tokenize(document):  
54.             texts_tokenized_tmp += jieba.analyse.extract_tags(word,10)  
55.         texts_tokenized.append(texts_tokenized_tmp)      
56.        
57.     texts_filtered_stopwords = texts_tokenized  
58.    
59.     #去除标点符号  
60.     english_punctuations = [',', '.', ':', ';', '?', '(', ')', '[', ']', '&', '!', '*', '@', '#', '$', '%']  
61.     texts_filtered = [[word for word in document if not word in english_punctuations] for document in texts_filtered_stopwords]  
62.    
63.     #词干化  
64.     from nltk.stem.lancaster import LancasterStemmer  
65.     st = LancasterStemmer()  
66.     texts_stemmed = [[st.stem(word) for word in docment] for docment in texts_filtered]  
67.        
68.     #去除过低频词  
69.     if low_freq_filter:  
70.         all_stems = sum(texts_stemmed, [])  
71.         stems_once = set(stem for stem in set(all_stems) if all_stems.count(stem) == 1)  
72.         texts = [[stem for stem in text if stem not in stems_once] for text in texts_stemmed]  
73.     else:  
74.         texts = texts_stemmed  
75.     return texts  
76.    
77. dictionary = corpora.dictionary.Dictionary()  
78. dictionary_memory_friendly = LoadDictionary(dictionary)  
79. for vector in dictionary_memory_friendly:   
80.     dictionary = vector  
81.    
82. corpus = []  
83. corpus_memory_friendly = LoadCorpus()  
84. for vector in corpus_memory_friendly:   
85.     corpus.append(vector[0])  
86.        
87. if 0 < len(corpus):  
88.     tfidf = models.TfidfModel(corpus)  
89.     corpus_tfidf = tfidf[corpus]  
90.    
91.     model = models.LsiModel(corpus_tfidf, id2word=None, num_topics=20,  chunksize=2000000) #不指定 id2word=dictionary 时，LsiModel内部会根据 corpus 重建 dictionary  
92.     index = similarities.Similarity('./novel_', model[corpus], num_features=len(corpus))   
93.    
94.     #要处理的对象登场，这里随便从小说中截取了一段话  
95.     target_courses = ['男人们的脸上沉重而冷凝，蒙着面纱的女人们则是发出断断续续的哭泣声，他们无比专注地看着前方，见证一场生与死的拉锯战。']  
96.     target_text = pre_process_cn(target_courses, low_freq_filter=False)  
97.    
98.     """ 
99.     对具体对象相似度匹配 
100.     """  
101.     #选择一个基准数据  
102.     ml_course = target_text[0]  
103.     #词袋处理  
104.     ml_bow = dictionary.doc2bow(ml_course)     
105.    
106.     #在上面选择的模型数据 lsi model 中，计算其他数据与其的相似度  
107.     ml_lsi = model[ml_bow]     #ml_lsi 形式如 (topic_id, topic_value)  
108.     sims = index[ml_lsi]     #sims 是最终结果了， index[xxx] 调用内置方法 __getitem__() 来计算ml_lsi  
109.    
110.     #排序，为输出方便  
111.     sort_sims = sorted(enumerate(sims), key=lambda item: -item[1])  
112.    
113.     #查看结果  
114.     print sort_sims[0:10]     
115.     print len(dictLists)  
116.     print dictLists[sort_sims[1][0]]   
117.     print dictLists[sort_sims[2][0]]   
118.     print dictLists[sort_sims[3][0]]  

说明：

yield的使用是为了更好的内存效率。

遗留问题：

    步骤2会有提示：

     /usr/lib/python2.7/dist-packages/scipy/sparse/compressed.py:122: UserWarning: indices array has non-integer dtype (float64)

    不影响处理过程