本章介绍文本的特种工程。从最简单的 bag-of-words开始。下一章会介绍tf-idf。
Bag of X: Turning Natural Text into Flat Vectors
简单而好理解的特征虽然不一定得到最精确的模型,但从简单开始,只有到必须的时候才增加复杂性确实是好主意。
bag-of-words,一个词数统计的列表,虽然找不到文本中特殊的词,但可以发现那些多次出现的词。这对解决文本分类问题,或者提取文本关键信息(从文本中提取和input text query有关的信息)是足够的。因为词的出现与否是文章主题的强反应。
Bag-of-words
将文本转换为词向量,flat vector. 原文本是词的序列而bow不是序列,bow只记住了每个词出现的次数。同时bow也不表达任何词的等级
bow中,每个词代表向量的一个维度,若向量是n维的,则该文本表示n维空间中的一个点。
Bag-of-N-Grams
bon,bow的进阶。 bon长度为n的tokens序列,保留了更多的原文本序列结构,因此包含更多信息。但是,k个不同的词就有k*k个bigrams(2grams),虽然实际不会有这么多但仍比unigram多很多,这意味着更加大更稀疏的特征空间。同时,计算存储和模型也更麻烦。
举个例子:
关键:
from sklearn.feature_extraction.text import CountVectorizer
CountVectorizer
>>> import pandas
>>> import json
>>> from sklearn.feature_extraction.text import CountVectorizer
# Load the first 10,000 reviews
>>> f = open('data/yelp/v6/yelp_dataset_challenge_academic_dataset/yelp_academic_dataset_review.json')
>>> js = []
>>> for i in range(10000):
... js.append(json.loads(f.readline()))
>>> f.close()
>>> review_df = pd.DataFrame(js)
# Create feature transformers for unigram, bigram, and trigram.
# The default ignores single-character words, which is useful in practice because it trims
# uninformative words. But we explicitly include them in this example for illustration purposes.
>>> bow_converter = CountVectorizer(token_