关闭

利用word2vec对关键词进行聚类

标签: word2vec开源工具google
6939人阅读 评论(0) 收藏 举报
分类:

继上次提取关键词之后,项目组长又要求我对关键词进行聚类。说实话,我不太明白对关键词聚类跟新闻推荐有什么联系,不过他说什么我照做就是了。

按照一般的思路,可以用新闻ID向量来表示某个关键词,这就像广告推荐系统里面用用户访问类别向量来表示用户一样,然后就可以用kmeans的方法进行聚类了。不过对于新闻来说存在一个问题,那就量太大,如果给你十万篇新闻,那每一个关键词将需要十万维的向量表示,随着新闻数迅速增加,那维度就更大了,这计算起来难度太大。于是,这个方法思路简单但是不可行。

好在我们有word2vec这个工具,这是google的一个开源工具,能够仅仅根据输入的词的集合计算出词与词直接的距离,既然距离知道了自然也就能聚类了,而且这个工具本身就自带了聚类功能,很是强大。下面正式介绍如何使用该工具进行词的分析,关键词分析和聚类自然也就包含其中了。word2vec官网地址看这里:https://code.google.com/p/word2vec/

1、寻找语料

要分析,第一步肯定是收集数据,这里不可能一下子就得到所有词的集合,最常见的方法是自己写个爬虫去收集网页上的数据。不过,如果不需要实时性,我们可以使用别人提供好的网页数据,例如搜狗2012年6月到7月的新闻数据:http://www.sogou.com/labs/dl/ca.html 直接下载完整版,注册一个帐号,然后用ftp下载,ubuntu下推荐用filezilla





下载得到的数据有1.5G



2、分词

我们得到的1.5的数据是包含一些html标签的,我们只需要新闻内容,也就是content其中的值。首先可以通过简单的命令把非content的标签干掉

  1. cat news_tensite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>"  > corpus.txt  

得到了corpus.txt文件只含有content标签之间的内容,再对内容进行分词即可,这里推荐使用之前提到过的ANSJ,没听过的看这里:http://blog.csdn.net/zhaoxinfan/article/details/10403917

下面是调用ANSJ进行分词的程序:

  1. import java.util.HashSet;  
  2. import java.util.List;  
  3. import java.util.Set;  
  4. import java.io.BufferedReader;  
  5. import java.io.BufferedWriter;  
  6. import java.io.File;  
  7. import java.io.FileInputStream;  
  8. import java.io.FileReader;  
  9. import java.io.FileWriter;  
  10. import java.io.IOException;  
  11. import java.io.InputStreamReader;  
  12. import java.io.PrintWriter;  
  13. import java.io.StringReader;  
  14. import java.util.Iterator;  
  15.   
  16. import love.cq.util.IOUtil;  
  17.   
  18. import org.ansj.app.newWord.LearnTool;  
  19. import org.ansj.domain.Term;  
  20. import org.ansj.recognition.NatureRecognition;  
  21. import org.ansj.splitWord.Analysis;  
  22. import org.ansj.splitWord.analysis.NlpAnalysis;  
  23. import org.ansj.splitWord.analysis.ToAnalysis;  
  24. import org.ansj.util.*;  
  25. import org.ansj.recognition.*;  
  26.   
  27.   
  28. public class test {  
  29.     public static final String TAG_START_CONTENT = "<content>";  
  30.     public static final String TAG_END_CONTENT = "</content>";  
  31.       
  32.     public static void main(String[] args) {  
  33.         String temp = null ;  
  34.           
  35.         BufferedReader reader = null;  
  36.         PrintWriter pw = null;  
  37.         try {  
  38.             reader = IOUtil.getReader("corpus.txt""UTF-8") ;  
  39.             ToAnalysis.parse("test 123 孙") ;  
  40.             pw = new PrintWriter("resultbig.txt");  
  41.             long start = System.currentTimeMillis()  ;  
  42.             int allCount =0 ;  
  43.             int termcnt = 0;  
  44.             Set<String> set = new HashSet<String>();  
  45.             while((temp=reader.readLine())!=null){  
  46.                 temp = temp.trim();  
  47.                 if (temp.startsWith(TAG_START_CONTENT)) {  
  48.                     int end = temp.indexOf(TAG_END_CONTENT);  
  49.                     String content = temp.substring(TAG_START_CONTENT.length(), end);  
  50.                     //System.out.println(content);  
  51.                     if (content.length() > 0) {  
  52.                         allCount += content.length() ;  
  53.                         List<Term> result = ToAnalysis.parse(content);  
  54.                         for (Term term: result) {  
  55.                             String item = term.getName().trim();  
  56.                             if (item.length() > 0) {  
  57.                                 termcnt++;  
  58.                                 pw.print(item.trim() + " ");  
  59.                                 set.add(item);  
  60.                             }  
  61.                         }  
  62.                         pw.println();  
  63.                     }  
  64.                 }  
  65.             }  
  66.             long end = System.currentTimeMillis() ;  
  67.             System.out.println("共" + termcnt + "个term," + set.size() + "个不同的词,共 "  
  68.                     +allCount+" 个字符,每秒处理了:"+(allCount*1000.0/(end-start)));  
  69.         } catch (IOException e) {   
  70.             e.printStackTrace();  
  71.         } finally {  
  72.             if (null != reader) {  
  73.                 try {  
  74.                     reader.close();  
  75.                 } catch (IOException e) {  
  76.                     e.printStackTrace();  
  77.                 }  
  78.             }  
  79.             if (null != pw) {  
  80.                 pw.close();  
  81.             }  
  82.         }  
  83.     }  
  84. }  

经过对新闻内容分词之后,得到的输出文件resultbig.txt有2.2G,其中的格式如下:


这个文件就是word2vec工具的输入文件


3、本地运行word2vec进行分析

首先要做的肯定是从官网上下载word2vec的源码:http://word2vec.googlecode.com/svn/trunk/ ,然后把其中makefile文件的.txt后缀去掉,在终端下执行make操作,这时能发现word2vec文件夹下多了好几个东西。接下来就是输入resultbig.txt进行分析了:

  1. ./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1  

这里我们指定输出为vectors.bin文件,显然输出到文件便于以后重复利用,省得每次都要计算一遍,要知道处理这2.2G的词集合需要接近半个小时的时间:




下面再输入计算距离的命令即可计算与每个词最接近的词了:

  1. ./distance vectors.bin  

这里列出一些有意思的输出:





怎么样,是不是觉得还挺靠谱的?补充一点,由于word2vec计算的是余弦值,距离范围为0-1之间,值越大代表这两个词关联度越高,所以越排在上面的词与输入的词越紧密。

至于聚类,只需要另一个命令即可:

  1. ./word2vec -train resultbig.txt -output classes.txt -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -classes 500  

按类别排序:

  1. sort classes.txt -k 2 -n > classes.sorted.txt  



后记:如果想要了解word2vec的实现原理,应该读一读官网后面的三篇参考文献。显然,最主要的应该是这篇: Distributed Representations of Words and Phrases and their Compositionality  

这篇文章的基础是 Natural Language Processing (almost) from Scratch 其中第四部分提到了把deep learning用在NLP上。

最后感谢晓阳童鞋向我提到这个工具,不愧是立志要成为NLP专家的人。

转自:http://blog.csdn.net/zhaoxinfan/article/details/11069485

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    文章分类
    最新评论
    个人资料
    • 访问:150731次
    • 积分:1958
    • 等级:
    • 排名:千里之外
    • 原创:42篇
    • 转载:90篇
    • 译文:0篇
    • 评论:9条