- 读入数据
- 使用结巴分词器进行分词
- 使用停词表进行过滤(例如哈工大停词表)
- 将过滤后的单词进行词频统计,生成词云(wordcloud)
- 可以根据jieba.analyse包使用对原始数据进行处理,提取出每条新闻的关键词。
- 使用gensim自然语言处理包对过滤后的数据进行处理,得到LDA主题模型(类似Kmeans自己指定主题数,返回主题和当前主题的关键字以及关键词的重要程度,例如:0.006*"戏" + 0.006*"导演" + 0.005*"该剧" + 0.004*"中" + 0.004*"演员")。
最后基于贝叶斯模型进行新闻分类,tip:
- 对分类结果进行映射,映射成1,2,3等。
- 通过CountVectorizer等对单词进行转化词频向量。