1、比赛说明
1.1 赛题背景
企业自主填报安全生产隐患,对于将风险消除在事故萌芽阶段具有重要意义。企业在填报隐患时,往往存在不认真填报的情况,“虚报、假报”隐患内容,增大了企业监管的难度。采用大数据手段分析隐患内容,找出不切实履行主体责任的企业,向监管部门进行推送,实现精准执法,能够提高监管手段的有效性,增强企业安全责任意识。
1.2 赛题任务
本赛题提供企业填报隐患数据,参赛选手需通过智能化手段识别其中是否存在“虚报、假报”的情况。
1.3 赛题数据
训练集:
测试集:
数据说明:
训练集数据包含“【id、level_1(一级标准)、level_2(二级标准)、level_3(三级标准)、level_4(四级标准)、content(隐患内容)和label(标签)】”共7个字段。
其中“id”为主键,无业务意义;“一级标准、二级标准、三级标准、四级标准”为《深圳市安全隐患自查和巡查基本指引(2016年修订版)》规定的排查指引,一级标准对应不同隐患类型,二至四级标准是对一级标准的细化,企业自主上报隐患时,根据不同类型隐患的四级标准开展隐患自查工作;“隐患内容”为企业上报的具体隐患;“标签”标识的是该条隐患的合格性,“1”表示隐患填报不合格,“0”表示隐患填报合格。
预测结果文件:
1.4 评测标准
2、数据探索
2.1 读取数据
train = pd.read_csv('./data/train.csv')
test = pd.read_csv('./data/test.csv')
2.2 数据统计
train.shape
# (12000, 7)
test.shape
# (18000, 6)
train.label.value_counts()
# 0 10712
# 1 1288
train.label.mean()
# 0.10733333333333334 # 正样本占比10.7%
2.3 字段信息
train.info()
test.info()
content字段存在缺失值,填充空值:
train['content'].fillna('', inplace=True)
test['content'].fillna('', inplace=True)
2.4 字段探索
合并训练集和测试集,进行字段探索:
train['type'] = 'train'
test['type'] = 'test'
df = pd.concat([train, test])
(1)level
- 字段取值
df.groupby('type')[['level_1', 'level_2', 'level_3', 'level_4']].nunique()
可见,测试集中存在训练集中未见的标准,只考虑训练集中的标准会造成模型泛化能力不好。
- 样本数量
level_1:
df_cnt = df.groupby(['type','level_1'])['content'].count().reset_index()
df_pvt = pd.pivot_table(df_cnt, index='level_1', columns='type', values='content').sort_values(by='train', ascending=False)
df_pvt
测试集中存在两个训练集中未见的一级标准。
level_2:
df_cnt = df.groupby(['type','level_2'])['content'].count().reset_index()
df_pvt = pd.pivot_table(df_cnt, index='level_2', columns='type', values='content').sort_values(by='train', ascending=False)
df_pvt.head(10).append(df_pvt.tail(10))
print('测试集多于训练集的标准:{}个'.format((df_pvt.train.isnull()&df_pvt.test.notnull()).sum()))
# 测试集多于训练集的标准:16个
level_3:
df_cnt = df.groupby(['type','level_3'])['content'].count().reset_index()
df_pvt = pd.pivot_table(df_cnt, index='level_3', columns='type', values='content').sort_values(by='train', ascending=False)
df_pvt.head(5).append(df_pvt.tail(5))
print('测试集多于训练集的标准:{}个'.format((df_pvt.train.isnull()&df_pvt.test.notnull()).sum()))
# 测试集多于训练集的标准:32个
level_4:
df_cnt = df.groupby(['type','level_4'])['content'].count().reset_index()
df_pvt = pd.pivot_table(df_cnt, index='level_4', columns='type', values='content').sort_values(by='train', ascending=False)
df_pvt.head(5).append(df_pvt.tail(5))
print('测试集多于训练集的标准:{}个'.format((df_pvt.train.isnull()&df_pvt.test.notnull()).sum()))
# 测试集多于训练集的标准:109个
如上可知:level字段中,测试集存在大量训练集未见的标准,level字段参与文本训练不见得是好事。
(2)content
df['content_len'] = df.content.str.len()
df.groupby('type')['content_len'].max()
# test 394
# train 151
df.groupby('type')['content_len'].min()
# test 0
# train 0
# 绘制训练集和测试集的content长度分布图
plt.figure(figsize=(8, 6))
sns.kdeplot(df[df.type == 'train'].content_len, label='train_content_len')
sns.kdeplot(df[df.type == 'test'].content_len, label='test_content_len')
如图所示,训练集和测试集的content长度分布一致。
从上面的 head() 就很明显地看出,正样本基本上都是文本比较短的,我们可以用文本字符串长度来确认。
train['content_strlen'] = train['content'].astype(str).apply(len)
train[train['content_strlen']<=3]['label'].mean()
# 0.8769968051118211
可以看出,content长度小于等于3的数据正样本率高达 87.7%,当然也很容易理解,上报隐患时填写的文本太短,说明填写比较随意,基本是不符合监管要求的。
另外,在数据探索中也会发现部分样本的标签存在模棱两可的情况,比如content的内容基本一致,但是标签不一致,不过这种情况很难处理,就先不作考虑了,当做噪声吧。
根据以上分析,分类任务主要以content为核心构造变量,主要包括两个思路:
-
基于数据分析和探索,构造统计类特征;
-
对长文本使用bert进行分类,构造子模型分,进入最终的LGB模型;
3、统计类特征
首先,对content和level_4两个字段进行预处理,只保留文本,剔除无用的符号和数字:
df["content"] = df["content"].astype(str)
regex = re.compile(u"[\u4e00-\u9fa5]+")
df["level4_nosign"] = df["level_4"].apply(lambda x: ''.join(regex.findall(x)))
df["content_nosign"] = df["content"].apply(lambda x: ''.join(regex.findall(x)))
df.head()
3.1 level和content的相关类特征
3.1.1 最长公共子序列
-
计算content文本是否包含于level_4
-
content与level_4最长公共子序列
-
content、level_4与子序列的长度、差值、比值
def getMaxSame(a, b):
# 获得a,b字符串最大相同子序列
if len(a)<=len(b):
s1, s2 = a, b
else:
s1, s2 = b, a
maxlen = 0
maxstr = ""
for i in range(len(a)):
for j in range(len(a), i-1, -1):
if s1[i:j] in s2 and len(s1[i:j]) > maxlen:
maxlen = len(s1[i:j])
maxstr = s1[i:j]
return maxstr
# content是否包含于level_4
df["content_in_level4"] = df.apply(lambda x: int(x.content_nosign in x.level4_nosign), axis=1)
# content与level4最长相同子字符串
df["content_level4_substr"] = df.apply(lambda x: getMaxSame(x.content_nosign, x.level4_nosign), axis=1)
# content与level4最长相同子字符串长度
df["content_level4_sublen"] = df["content_level4_substr"].str.len()
df["level4_strlen"] = df.level4_nosign.apply(len)
df["content_strlen"] = df.content_nosign.apply(len)
df['level4_content_sub'] = df['level4_strlen'] - df['content_strlen']
df['level4_content_div'] = df['level4_strlen'] / df['content_strlen']
df["substr_level4_div"] = df["content_level4_sublen"] / df["level4_strlen"]
df["substr_content_div"] = df["content_level4_sublen"] / df["content_strlen"]
3.1.2 子句
level_4和content的子句长度及差值。
# level_4和content的分句长度比较
def get_len(x):
x_split = re.split("[,,;;.。]", x)
x_split = [i for i in x_split if len(i)>2]
return len(x_split)
df['level4_sent_num'] = df.level_4.apply(lambda x: get_len(x))
df['content_sent_num'] = df.content.apply(lambda x: get_len(x))
df['level4_content_sent_sub'] = df['level4_sent_num'] - df['content_sent_num']
3.1.3 分词
基于jieba分词,计算三个特征:相同词的个数,不同词的个数,相同词占level_4和content的比值、Jaccard相似度。
df['level4_nosign_jieba'] = df['level4_nosign'].apply(lambda x: set(jieba.cut(x)))
df['content_nosign_jieba'] = df['content_nosign'].apply(lambda x: set(jieba.cut(x)))
df['same_word'] = df.apply(lambda x: len(x.level4_nosign_jieba&x.content_nosign_jieba), axis=1)
df['different_word'] = df.apply(lambda x: len(x.content_nosign_jieba-x.level4_nosign_jieba), axis=1)
df['same_word_level4'] = df.apply(lambda x: x.same_word/len(x.level4_nosign_jieba), axis=1)
df['same_word_content'] = df.apply(lambda x: x.same_word/len(x.content_nosign_jieba)
if len(x.content_nosign_jieba)>0 else 0, axis=1)
df['jaccard'] = df.apply(lambda x: x.same_word/len(x.level4_nosign_jieba|x.content_nosign_jieba), axis=1)
3.2 content类特征
3.2.1 关键词特征
对content分词,统计关键词的索引和出现次数
word_lst, label_lst = [], []
df['jieba'] = df.apply(lambda x: [i for i,j in list(pseg.cut(x.content)) if i not in x.content_level4_substr and j in ["v", "d", "a"]], axis=1)
for i, j in df[df.label.notna()][['jieba', 'label']].values:
word_lst.extend(i)
label_lst.extend(len(i)*[j])
df_word = pd.DataFrame({"word": word_lst, "label": label_lst})
word_label1_30 = list(df_word.loc[df_word.label==1, "word"].value_counts().sort_values(ascending=False)[:30].index)
word_label0_100 = set(df_word.word.value_counts().sort_values(ascending=False)[:130].index)-set(ci_label1_30)
def getIndex(a, b):
# 输出a在b中的索引,若a不在b中,则返回-1
if a in b:
return b.index(a)
else:
return -1
for i, word in enumerate(word_label1_30):
df['word_'+str(i)] = df.content.apply(lambda x: getIndex(word, x)) # 前30多的词,出现在当前content的索引
df["word_label0_100"] = df.jieba.apply(lambda x: len(set(x)&word_label0_100)) # 前100正样本特有的词,出现在当前content几次
3.2.2 TextRank特征
使用TextRank算法对正负样本的content分别提取关键词,并基于关键词衍生特征:
def get_word_weight(text, nums=100, window=2, speech_tags=['a', 'd', 't', 'v', 'l']):
"""使用textrank获取分词的权重"""
# 创建分词类的实例
tr4w = TextRank4Keyword(allow_speech_tags=speech_tags)
# 对文本进行分析,设定窗口大小为2,并将英文单词小写
tr4w.analyze(text=text, lower=True, window=window)
# 从关键词列表中获取前20个关键词
word_lst = []
weight_lst = []
for item in tr4w.get_keywords(num=nums, word_min_len=1):
# 打印每个关键词的内容及关键词的权重
word_lst.append(item.word)
weight_lst.append(item.weight)
word_weight = pd.DataFrame({'word': word_lst, 'weight': weight_lst})
return word_weight
def get_key_word_num(content, words):
"""获取关键词的命中数量"""
word_sum = 0
for word in words:
if word in content:
word_sum += 1
return word_sum
text0 = ' '.join(df[df.label==0].content.values)
text1 = ' '.join(df[df.label==1].content.values)
df_content_0 = get_word_weight(text0, nums=100, window=6)
df_content_1 = get_word_weight(text1, nums=100, window=6)
df_content_0.columns = ['word', 'weight_0']
df_content_1.columns = ['word', 'weight_1']
df_content_0_wd = pd.merge(df_content_0, df_content_1, on='word', how='left')
content_0_wd = df_content_0_wd[df_content_0_wd.weight_1.isna()]['word'].values
df_content_1_wd = pd.merge(df_content_1, df_content_0, on='word', how='left')
content_1_wd = df_content_1_wd[df_content_1_wd.weight_0.isna()]['word'].values
df['content_0_cnt'] = df.content.apply(lambda x: get_key_word_num(x, content_0_wd))
df['content_1_cnt'] = df.content.apply(lambda x: get_key_word_num(x, content_1_wd))
df_wd_1 = pd.DataFrame()
for i, word in enumerate(content_1_wd):
df_wd_1['prwd1_' + str(i)] = df.content.apply(lambda x: int(word in x))
df_wd_0 = pd.DataFrame()
for i, word in enumerate(content_0_wd):
df_wd_0['prwd0_' + str(i)] = df.content.apply(lambda x: int(word in x))
## 特征筛选
# 方法一:编码后降维
pca = PCA(n_components=0.8)
pca.fit(df_wd_1)
wd1_pca = pca.transform(df_wd_1)
for i in range(wd1_pca.shape[1]):
df[f'content_pr1_{i}'] = wd1_pca[:, i]
pca = PCA(n_components=0.8)
pca.fit(df_wd_0)
wd0_pca = pca.transform(df_wd_0)
for i in range(wd0_pca.shape[1]):
df[f'content_pr0_{i}'] = wd0_pca[:, i]
# 方法二:选择IV大于0.02的分词,降维后进入模型
# df_wd_1['label'] = df.label
# df_wd_0['label'] = df.label
# df_wd1_iv = toad.quality(df_wd_1, target='label')
# df_wd1_iv_sel = df_wd1_iv[df_wd1_iv.iv > 0.02].index.values
# df_wd0_iv = toad.quality(df_wd_0, target='label')
# df_wd0_iv_sel = df_wd0_iv[df_wd0_iv.iv > 0.02].index.values
# pca = PCA(n_components=0.95)
# pca.fit(df_wd_1[df_wd1_iv_sel])
# wd1_pca = pca.transform(df_wd_1[df_wd1_iv_sel])
# for i in range(wd1_pca.shape[1]):
# df[f'content_pr1_{i}'] = wd1_pca[:, i]
# pca = PCA(n_components=0.8)
# pca.fit(df_wd_0[df_wd0_iv_sel])
# wd0_pca = pca.transform(df_wd_0[df_wd0_iv_sel])
# for i in range(wd0_pca.shape[1]):
# df[f'content_pr0_{i}'] = wd0_pca[:, i]
附录查看TextRank原理。
3.2.3 TF-IDF特征
content分词后计算tf-idf,由于维度较高,这里进行降维处理:
df['content_nosign_seg'] = df['content_nosign'].apply(lambda x: " ".join(jieba.cut(x)))
df['content_word_cnt'] = df['content_nosign_seg'].apply(lambda x: len(x.split(" ")))
n_components = 16
X = list(df['content_nosign_seg'].values)
tfv = TfidfVectorizer(ngram_range=(1,1),
token_pattern=r"(?u)\b[^ ]+\b",
max_features=10000)
tfv.fit(X)
X_tfidf = tfv.transform(X)
svd = TruncatedSVD(n_components=n_components)
svd.fit(X_tfidf)
X_svd = svd.transform(X_tfidf)
for i in range(n_components):
df[f'content_tfidf_{i}'] = X_svd[:, i]
3.3 level类特征
3.3.1 badrate编码
经统计发现,不同level的badrate存在差异,因此对不同level作badrate编码。
# 不同标准的badrate值
for col in ['level_1', 'level_2', 'level_3']:
risk_ratio = dict(df[df.label.notna()].groupby(col)['label'].mean())
df[f'{col}_risk_score'] = df[col].map(risk_ratio)
3.3.1 类别编码
类别变量编码为数值变量。
for col in ['level_1', 'level_2', 'level_3', 'level_4']:
df[f'{col}_strlen'] = df[col].astype(str).apply(len)
lbl = LabelEncoder()
lbl.fit(df[col])
df[col] = lbl.transform(df[col])
最终,得到的统计类数据集如下:
drop_cols = ['content', 'content_nosign', 'level4_nosign', 'content_level4_substr', 'level4_nosign_jieba', 'content_nosign_jieba', 'jieba', 'content_nosign_seg']
df.drop(drop_cols, axis=1, inplace=True)
train = df[df['label'].notna()]
test = df[df['label'].isna()]
print(train.shape, test.shape)
# (12000, 79) (18000, 79)
train.head()
4、bert子模型分
4.1 sentence classification score
使用单个文本fine-tuning分类模型。
# bert prob
train_bert_pred = pd.read_csv('./data/roberta_pred_oof2.csv')
test_bert_pred = pd.read_csv('./data/roberta_pred_test2.csv')
train = pd.merge(train, train_bert_pred, on='id')
test = pd.merge(test, test_bert_pred, on='id')
4.2 sentence pair classification score
使用sentence pair fine-tuning分类模型。
# sbert
train_sbert_pred = pd.read_csv('./data/roberta2_pred_oof.csv')
test_sbert_pred = pd.read_csv('./data/roberta2_pred_test.csv')
train = pd.merge(train, train_sbert_pred, on='id')
test = pd.merge(test, test_sbert_pred, on='id')
4.3 双塔sbert模型提取文本语义
直接使用预训练模型,未做fine-tuning。
# 直接用预训练模型encode,计算文本相似度
df_tr_sim = pd.read_csv('./data/train_sim.csv')
df_ts_sim = pd.read_csv('./data/test_sim.csv')
train = pd.concat([train, df_tr_sim], axis=1)
test = pd.concat([test, df_ts_sim], axis=1)
数据处理完成,接下来,第二篇介绍用bert训练模型得到子模型分的过程。
数据和代码参见sodic_enterprise_hidden_dangers。
附录:
1、TextRank原理
TextRank算法是由PageRank算法改进而来的,二者的思想有相同之处,区别在于:PageRank算法根据网页之间的链接关系构造网络,而TextRank算法根据词之间的共现关系构造网络;PageRank算法构造的网络中的边是有向无权边,而TextRank算法构造的网络中的边是无向有权边。TextRank算法的核心公式如下:
W
S
(
V
i
)
=
(
1
−
d
)
+
d
∗
∑
V
j
∈
I
n
(
V
i
)
w
j
i
∑
V
k
∈
O
u
t
(
V
j
)
w
j
k
W
S
(
V
j
)
WS(V_i)=(1-d)+d*\sum_{V_j \in In(V_i)}{{w_{ji}}\over{\sum_{V_k \in Out(V_j)}w_{jk}}}WS(V_j)
WS(Vi)=(1−d)+d∗Vj∈In(Vi)∑∑Vk∈Out(Vj)wjkwjiWS(Vj)
其中,
w
j
i
w_{ji}
wji表示两个节点之间的边连接具有不同的重要程度,
I
n
(
V
i
)
In(V_i)
In(Vi)表示节点i的邻域,
O
u
t
(
V
j
)
Out(V_j)
Out(Vj)表示节点j的邻域,
W
S
(
V
j
)
WS(V_j)
WS(Vj)表示节点j的TextRank值,d为阻尼系数,即按照超链接进行浏览的概率,一般取经验值为0.85,1-d表示浏览者随机跳转到一个新网页的概率。
为了便于理解,给出使用TextRank算法提取关键词的具体步骤如下:
1)将给定的文本按照整句进行分割,即 T = [ S 1 , S 2 , . . . , S m ] T=[S_1,S_2,...,S_m] T=[S1,S2,...,Sm];
2)对于每个句子 S i ∈ T S_i\in T Si∈T,对其进行分词和词性标注,然后剔除停用词,只保留指定词性的词,如名词、动词、形容词等,即 S i = [ t i , 1 , t i , 2 , . . . , t i , n ] S_i=[t_{i,1},t_{i,2},...,t_{i,n}] Si=[ti,1,ti,2,...,ti,n],其中 t i , j t_{i,j} ti,j为句子i中保留下的词;
3)构建词图 G = ( V , E ) G=(V,E) G=(V,E),其中V为节点集合,由以上步骤生成的词组成,然后采用共现关系构造任意两个节点之间的边:两个节点之间存在边仅当它们对应的词在长度为K的窗口中共现,K表示窗口大小,即最多共现K个单词,一般K取2;
4)根据上面的公式,迭代计算各节点的权重,直至收敛;
5)对节点的权重进行倒序排序,从中得到最重要的t个单词,作为top-t关键词;
6)对于得到的top-t关键词,在原始文本中进行标记,若它们之间形成了相邻词组,则作为关键词组提取出来。
2、TextRank实现
textrank4zh模块是针对中文文本的TextRank算法的python算法实现,该模块的地址为:TextRank4ZH。
结合原理部分,TextRank算法主要包括三部分:分词、构建邻接矩阵、计算PageRank值,下面结合源码来看下具体实现:
(1)分词
使用jieba进行分词,可配置用于过滤的词性列表和停用词表。
# -*-coding:utf-8-*-
# 把新版本的特性引入当前版本
from __future__ import (absolute_import, division, print_function, unicode_literals)
# 导入结巴分词的词性标注组件
import jieba.posseg as pseg
# 导入编码转换模块
import codecs
# 导入操作系统模块
import os
# 导入工具包组件
from textrank4zh import util
# 获取停用词文件的路径
def get_default_stop_words_file():
# 获取当前脚本所在的路径
d = os.path.dirname(os.path.realpath(__file__))
# 返回停用词表所在路径,os.path.join方法用于将多个路径组合后返回
return os.path.join(d, 'stopwords.txt')
"""分词类"""
class WordSegmentation(object):
"""初始化函数,获取词性列表和停用词表"""
def __init__(self, stop_words_file=None, allow_speech_tags=util.allow_speech_tags):
"""
:param stop_words_file:保存停用词表的文件路径,使用utf-8编码方式,每行存放一个停用词,若不是str类型,则使用默认的停用词
:param allow_speech_tags:默认的词性列表,用于过滤某些词性的词
:return:无
"""
# 词性列表
allow_speech_tags = [util.as_text(item) for item in allow_speech_tags]
# 将词性列表设置为默认的词性列表
self.default_speech_tags_filter = allow_speech_tags
# 使用set方法创建空集合
self.stop_words = set()
# 获取停用词文件的路径
self.stop_words_file = get_default_stop_words_file()
# 若停用词文件路径不是str类型,则使用默认的停用词
if type(stop_words_file is str):
self.stop_words_file = stop_words_file
# 打开并读取停用词文件,将其中的停用词加入停用词集合
for word in codecs.open(self.stop_words_file, 'r', 'utf-8', 'ignore'):
self.stop_words.add(word.strip())
"""对文本进行分词,返回的分词结果以列表方式存储"""
def segment(self, text, lower=True, user_stop_words=True, use_speech_tags_filter=False):
"""
:param text: 要进行分词的文本
:param lower: 是否要将单词小写,针对英文
:param user_stop_words: 若为True,表示使用停用词集合进行过滤,去掉停用词
:param use_speech_tags_filter:是否基于词性进行过滤,若为True,则使用默认的词性列表进行过滤
:return:词性过滤后的词列表
"""
# 待分词的文本
text = util.as_text(text)
# 词性标注结果列表
jieba_result = pseg.cut(text)
if use_speech_tags_filter == True:
# 进行词性过滤后的词性标注结果
jieba_result = [w for w in jieba_result if w.flag in self.default_speech_tags_filter]
else:
# 不进行词性过滤的词性标注结果
jieba_result = [w for w in jieba_result]
# 去除特殊符号
# 去除非语素字和词两端的空格
# 非语素字只是一个符号,字母x通常用于代表未知数、符号
word_list = [w.word.strip() for w in jieba_result if w.flag != 'x']
# 去除空字符
word_list = [word for word in word_list if len(word) > 0]
# 是否将英文单词小写
if lower:
word_list = [word.lower() for word in word_list]
# 是否使用停用词集合进行过滤
if user_stop_words:
word_list = [word.strip() for word in word_list if word.strip() not in self.stop_words]
# 返回词性过滤后的词列表
return word_list
"""将列表sentences中的每个元素/句子转换为由单词构成的列表"""
def segment_sentences(self, sentences, lower=True, user_stop_words=True, user_speech_tags_filter=False):
"""
:param sentences: 句子列表
:return: 以词性过滤后的词列表为元素的列表
"""
res = []
for sentence in sentences:
# 调用segment方法,将词性过滤后的词列表加入到列表中
res.append(self.segment(text=sentences, lower=lower, user_stop_words=user_stop_words, use_speech_tags_filter=user_speech_tags_filter))
# 返回以词性过滤后的词列表为元素的列表
return res
"""分句类"""
class SentenceSegmentation(object):
"""初始化函数,获取用于分句的分隔符集合"""
def __init__(self, delimiters=util.sentence_delimiters):
"""
:param delimiters: 可迭代对象,用于拆分句子
"""
self.delimiters = set([util.as_text(item) for item in delimiters])
"""将文本划分为句子,返回句子列表"""
def segment(self, text):
# 获取文本
res = [util.as_text(text)]
# 调试
util.debug(res)
util.debug(self.delimiters)
# 分句,使用了两层循环
# 遍历分隔符对象
for sep in self.delimiters:
# res表示分句结果
text, res = res, []
# 遍历文本对象
for seq in text:
# 分句操作
res += seq.split(sep)
# 去除句子两端空格,并滤除空句
res = [s.strip() for s in res if len(s.strip() > 0)]
# 返回句子列表
return res
"""分割类"""
class Segmentation(object):
"""初始化函数"""
def __init__(self, stop_word_file=None, allow_speech_tags=util.allow_speech_tags, delimiters=util.sentence_delimiters):
"""
:param stop_word_file: 停用词文件
:param allow_speech_tags: 词性列表,用于过滤某些词性的词
:param delimiters: 用于拆分句子的分隔符
"""
# 创建分词类的实例
self.ws = WordSegmentation(stop_word_file=stop_word_file, allow_speech_tags=allow_speech_tags)
# 创建分句类的实例
self.ss = SentenceSegmentation(delimiters=delimiters)
def segment(self, text, lower=False):
# 获取文本
text = util.as_text(text)
# 拆分文本,得到句子列表
sentences = self.ss.segment(text)
# 未进行词性过滤后的词列表
words_no_filter = self.ws.segment_sentences(sentences=sentences, lower=lower, user_stop_words=False, user_speech_tags_filter=False)
# 去掉停用词后的词列表
words_no_stop_words = self.ws.segment_sentences(sentences=sentences, lower=lower, user_stop_words=True, user_speech_tags_filter=False)
# 进行词性过滤并去掉停用词后的词列表
words_all_filters = self.ws.segment_sentences(sentences=sentences, lower=lower, user_stop_words=True, user_speech_tags_filter=True)
# 返回以上结果
return util.AttrDict(sentences=sentences, words_no_filter=words_no_filter, words_no_stop_words=words_no_stop_words, words_all_filters=words_all_filters)
# 主模块
if __name__ == '__main__':
# 空语句,保持程序结构的完整性
pass
(2)构建邻接矩阵 & 计算PageRank值
- 获取分词后的列表,在设定的
window
下进行单词组合,用来构造单词之间的边; - 使用
networkx
中的pagerank
算法计算节点的pagerank
值,将值从小到大排序;
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import os
import math
import networkx as nx
import numpy as np
import sys
try:
reload(sys)
sys.setdefaultencoding('utf-8')
except:
pass
sentence_delimiters = ['?', '!', ';', '?', '!', '。', ';', '……', '…', '\n']
allow_speech_tags = ['an', 'i', 'j', 'l', 'n', 'nr', 'nrfg', 'ns', 'nt', 'nz', 't', 'v', 'vd', 'vn', 'eng']
def combine(word_list, window=2):
"""构造在window下的单词组合,用来构造单词之间的边。
Keyword arguments:
word_list -- list of str, 由单词组成的列表。
windows -- int, 窗口大小。
"""
if window < 2: window = 2
for x in xrange(1, window):
if x >= len(word_list):
break
word_list2 = word_list[x:]
res = zip(word_list, word_list2)
for r in res:
yield r
def sort_words(vertex_source, edge_source, window=2, pagerank_config={'alpha': 0.85, }):
"""将单词按关键程度从大到小排序
Keyword arguments:
vertex_source -- 二维列表,子列表代表句子,子列表的元素是单词,这些单词用来构造pagerank中的节点
edge_source -- 二维列表,子列表代表句子,子列表的元素是单词,根据单词位置关系构造pagerank中的边
window -- 一个句子中相邻的window个单词,两两之间认为有边
pagerank_config -- pagerank的设置
"""
sorted_words = []
word_index = {}
index_word = {}
_vertex_source = vertex_source
_edge_source = edge_source
words_number = 0
for word_list in _vertex_source:
for word in word_list:
if not word in word_index:
word_index[word] = words_number
index_word[words_number] = word
words_number += 1
graph = np.zeros((words_number, words_number))
for word_list in _edge_source:
for w1, w2 in combine(word_list, window):
if w1 in word_index and w2 in word_index:
index1 = word_index[w1]
index2 = word_index[w2]
graph[index1][index2] = 1.0
graph[index2][index1] = 1.0
debug('graph:\n', graph)
nx_graph = nx.from_numpy_matrix(graph)
scores = nx.pagerank(nx_graph, **pagerank_config) # this is a dict
sorted_scores = sorted(scores.items(), key=lambda item: item[1], reverse=True)
for index, score in sorted_scores:
item = AttrDict(word=index_word[index], weight=score)
sorted_words.append(item)
return sorted_words
(3)提取关键词和关键词组
TextRank4Keyword
是我们在使用过程中调用的类,可配置停用词、词性表等,analyze
方法实现了算法的主要功能,我们可通过get_keywords
提取关键词,get_keyphrases
提取关键词组。
# 把新版本的特性引入当前版本
from __future__ import (absolute_import, division, print_function, unicode_literals)
# 导入操作复杂网络的模块
import networkx as nx
# 导入数值计算模块
import numpy as np
# 导入工具包组件
from textrank4zh import util
# 导入Segmentation文件
from textrank4zh.Segmentation import Segmentation
class TextRank4Keyword(object):
"""初始化函数"""
def __init__(self, stop_words_file=None, allow_speech_tags=util.allow_speech_tags, delimiters=util.sentence_delimiters):
"""
:param stop_words_file:str类型,指定停用词文件的路径,若为其他类型,则使用默认的停用词文件
:param allow_speech_tags:词性列表,用于过滤某些词性的词
:param delimiters:用于拆分句子的分隔符,默认值为`?!;?!。;…\n`
"""
self.text = ''
self.Keywords = None
# 创建分割类的实例
self.seg = Segmentation(stop_words_file=stop_words_file, allow_speech_tags=allow_speech_tags, delimiters=delimiters)
# 句子列表
self.sentences = None
# 对sentences中每个句子分词而得到的两维列表
self.words_no_filter = None
# 去掉words_no_filter中的停止词而得到的两维列表
self.word_no_stop_words = None
# 保留words_no_stop_words中指定词性的单词而得到的两维列表
self.words_all_filters = None
"""分析文本的函数,体现算法思想的部分"""
def analyze(self, text, window=2, lower=False, vertex_source='all_filters', edge_source='no_stop_words', pagerank_config={'alpha': 0.85,}):
"""
:param text: 文本内容
:param window: 窗口大小,整型,用于构造单词之间的边,去默认值为2
:param lower: 是否将英文文本转换为小写,默认值为False
:param vertex_source: 选择使用words_no_filter, words_no_stop_words, words_all_filters中的哪一个来构造pagerank对应的图中的节点。默认值为`'all_filters'`,可选值为`'no_filter', 'no_stop_words', 'all_filters'`。关键词也来自`vertex_source`
:param edge_source:选择使用words_no_filter, words_no_stop_words, words_all_filters中的哪一个来构造pagerank对应的图中的节点之间的边。默认值为`'no_stop_words'`,可选值为`'no_filter', 'no_stop_words', 'all_filters'`。边的构造要结合`window`参数。
:param pagerank_config:pagerank算法参数配置,阻尼系数为0.85
"""
self.text = text
self.word_index = {}
self.index_word = {}
# 关键词列表
self.keywords = []
self.graph = None
result = self.seg.segment(text=text, lower=lower)
self.sentences = result.sentences
self.words_no_filter = result.words_no_filter
self.word_no_stop_words = result.word_no_stop_words
self.words_all_filters = result.words_all_filters
# 调试
util.debug(20 * '*')
util.debug('self.sentences in TextRank4Keyword:\n', ' || '.join(self.sentences))
util.debug('self.words_no_filter in TextRank4Keyword:\n', self.words_no_filter)
util.debug('self.words_no_stop_words in TextRank4Keyword:\n', self.words_no_stop_words)
util.debug('self.words_all_filters in TextRank4Keyword:\n', self.words_all_filters)
# 选项,几种模式
options = ['no_filter', 'no_stop_words', 'all_filters']
# 模式选择
if vertex_source in options:
_vertex_source = result['words_' +vertex_source]
else:
_vertex_source = result['words_all_filters']
if edge_source in options:
_edge_source = result['words_' + edge_source]
else:
_edge_source = result['words_no_stop_words']
self.keywords = util.sort_words(_vertex_source, _edge_source, window=window, pagerank_config=pagerank_config)
"""获取最重要的num个长度大于等于word_min_len的关键词"""
def get_keywords(self, num=6, word_min_len=1):
"""
:param num: 返回的关键词个数
:param word_min_len: 最小关键词长度
:return: 关键词列表
"""
result = []
count = 0
for item in self.keywords:
if count >= num:
break
if len(item.word) >= word_min_len:
result.append(item)
count += 1
return result
"""获取 keywords_num 个关键词构造的可能出现的短语,要求这个短语在原文本中至少出现的次数为min_occur_num"""
def get_keyphrases(self, keywords_num=12, min_occur_num=2):
"""
:param keywords_num: 返回的关键词短语个数
:param min_occur_num: 短语在文本中的最小出现次数
:return: 关键词短语列表
"""
# 关键词集合
keywords_set = set([item.word for item in self.get_keywords(num=keywords_num, word_min_len=1)])
# 关键词短语集合
keyphrases = set()
for sentence in self.words_no_filter:
one = []
for word in sentence:
if word in keywords_set:
one.append(word)
else:
if len(one) > 1:
# 将关键词组成关键词短语
keyphrases.add(''.join(one))
if len(one) == 0:
continue
else:
one = []
# 兜底
if len(one) > 1:
keyphrases.add(''.join(one))
# 在原文本中至少出现min_occur_num词
return [phrase for phrase in keyphrases if self.text.count(phrase) >= min_occur_num]
参考文献: