机器学习 —— NLP

NLP ——Natural Language Prrocessing 自然语言处理
一. NLP 文本相似度分析

马蜂窝评论造假事件
马蜂窝发现很多评论是通过机器写入的造假评论

那么是怎么发现的？ ———— 采用NLP 的文本相似度分析

文本相似度分析： 从海量的数据（文章，评论）中，把相似的数据挑选出来
步骤：

1. 把评论翻译成机器能够看的懂的语言
2. 使用机器看得懂的算法轮回去比较每一条和所有评论的相似度
3. 把相似的评论挑出来

（一）把评论翻译成机器能够看懂的语言
步骤：

1. 分词： 把句子拆分成词语

    import jieba
   
    # 抽取关键字的包
    import jieba.analyse
    
    jieba.load_userdict('./mytext')
    text = "故宫有很多历史悠久的建筑，比如说乾清宫，午门。其中的黄琉璃瓦非常好看。啊"
    seg_list = jieba.cut(text, cut_all=False)
    # print("全模式：", "/".join(seg_list))
    
    # 提取关键字
    tags = jieba.analyse.extract_tags(text, topK=6)
    # topK = 5 : 提取5个关键字
    print("关键字：")
    print(" ".join(tags))
    
    # 除去停用词
    stopwords = ["的", "包括", "等", "是", "啊"]
    # final：空的字符串
    final = ''
    
    for seg in seg_list:
        if seg not in stopwords:
            final += seg
    print("final:", final)
   

运行结果：

2. 制作词袋模型（bag-of-word ）： 可以理解成装着所有词的袋子
3. 用词袋模型制作语料库（corpus）： 把每个句子都用词袋表示
4. 把评论变成词向量

eg：

import jieba
text = "我来到北京大学"
seg_list = jieba.cut(text,cut_all = True)
print("全模式：","/".join(seg_list))


seg_list = jieba.cut(text,cut_all = False)
print("精确模式：","/".join(seg_list))

seg_list = jieba.cut_for_search(text)
print("搜索引擎模式：","/".join(seg_list))

运行结果为：

（二） 使用机器看得懂的算法轮回去比较每一条和所有评论的相似度（TF-IDF）
1. 如何寻找TF-IDF 的关键字

1）不考虑停用词（没有什么意义的词语 eg：啊， 的，了。。）找出一句话中出现次数最多的单词，来代表这句话，这个就叫是词频（TF-Term-Frequency），相对应 的权重就会增高
2） 如果一个词在所有句子都出现过，那么这个词就能代表某句话，这个就叫做逆文本频率（IDF-Inverse Document Frequency）相应的权重值就会下降
3） TF-IDF = TF*IDF

2. TF公式：

其中ni ，j 是该词在一份文件 （或者评论）中出现的次数
分母是一份文件（或者评论）中所有词汇出现的次数总和
即：

3. IDF公式：

其中 |D|是语料库中的文件总数。 |{j:t_i∈ⅆ_j }|表示包含词语ti的文件数目。如果该词语不在语料库中，就会导致分母为0，因此一般情况下使用1+ |{j:t_i∈ⅆ_j }|
即：

分母加1 ，是为了避免分母为0

词类转换总结

假设我们有两句话，分别是

1. a b c
2. b c d

那么，这两句话的字典就是
dictionary: 0:a 1:b 2:c 3:d
其中key值表示索引，value表示对应的词语；
而且，词语不会重复

通过应用生成好的字典，我们可以重写两句话

1. 0:1 1:1 2:1 3:0
   （第0位是a,在这句话中出现了一次，就表示成0：1，以此类推）
2. 0:0 1:1 2:1 3:1

然后把这两句话改成列表（list）类型，就变成以下格式
[[{0:1}, {1:1}, {2:1}, {3:0}],
[{0:0}, {1:1}, {2:1}, {3:1}]]
把list中的字典转换成元组,这就是我们在代码里得到的语料库
[[(0,1), (1,1), (2:1), (3:0)],
[(0:0), (1:1), (2:1), (3:1)]]

语料库的两种表现形式

1.第一种： String类型
[“a b c”,
“b c d”]

2.第二种，词袋类型
[[(0,1), (1,1), (2,1), (3,0)],
[(0,0), (1,1), (2,1), (3,1)]]

如果新得到一组数据，可以把它用两种形式加入到语料库中

1. String类型
   “c d e”,
2. 词袋类型
   [(0,0), (1,0),(2,1),(3,1),(unknow,1)]