K-Means 算法的文本聚类
1、 能够从社交媒体或网上给定的数据集(数据集已给定),从中挖掘出新闻话题,如在线检测微博消息中大量突现的关键字,并将它们进行聚类,从而找到若干个新闻话题。
2、 给定一个新闻信息或报道作为测试样本,测试其所属的报道分类。
3、 最终要求有训练集,测试集,聚类模型和相关源码及简要说明。
4、 系统实现包含预处理,特征提取,训练时采用的聚类模型,测试时采用的分类模型。
实验预备知识: Python基本语法
K-means聚类算法相关知识
基于TF-IDF算法的特征提取
文档相似度计算
实验环境: Windows10操作系统Python2.7 IDLE
一、 实现流程
二、 概要设计
1、 读取训练集文本内容
读取给定数据集文件夹中每一个文档后,将文本内容写入一个Result.txt,每一行为一个文档,方便后面词频矩阵的处理。
2、 文本预处理
读取之前存放所有文本内容的Result.txt,将其内容去空格,去标点,并用结巴进行分词。
3、 特征提取
使用scikit-learn工具调用CountVectorizer()和TfidfTransformer()函数计算TF-IDF值,将文本转为词频矩阵,矩阵元素a[i][j] 表示j词在i类文本下的词频。将词频矩阵保存在TF-IDF_Result文档中。
4、 K-Means聚类
,对文本根据浏览内容后的经验分为3类,调用sklearn.cluster实现,并保存该聚类模型,对测试集使用
5、 测试集分类
使用clf.fit_predict 方法测试测试集文本。
三、 关键模块详细设计实现
1、 特征提取
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
# 将文本中的词语转换为词频矩阵 矩阵元素a[i][j] 表示j词在i类文本下的词频
vectorizer = CountVectorizer()
# 该类会统计每个词语的tf-idf权值
transformer = TfidfTransformer()
# 第一个fit_transform是计算tf-idf 第二个fit_transform是将文本转为词频矩阵
tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))
# 获取词袋模型中的所有词语
word = vectorizer.get_feature_names()
# 将tf-idf矩阵抽取出来,元素w[i][j]表示j词在i类文本中的tf-idf权重
weight = tfidf.toarray()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
2、 聚类模型
from sklearn.cluster import KMeans
from sklearn.externals import joblib
def K_Means(weight):
print 'Start Kmeans:'
# 选择3个中心点
clf = KMeans(n_clusters=3)
# clf.fit(X)可以把数据输入到分类器里
clf.fit(weight)
# 3个中心点
print 'cluster_center:'
print(clf.cluster_centers_)
# 每个样本所属的簇
# print(clf.labels_)
print'list_number label '
i = 1
while i <= len(clf.labels_):
print i,' ',clf.labels_[i - 1]
i = i + 1
# 用来评估簇的个数是否合适,距离越小说明簇分的越好,选取临界点的簇个数
print 'inertia:'
print(clf.inertia_)
# 保存模型
joblib.dump(clf, 'km.pkl')
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
四、 结果展示
1、聚类结果
注:训练集在train文件夹中
2、 分类结果
注:测试集在test文件夹中
五、 参考资料
【1】 http://blog.csdn.net/eastmount/article/details/50323063
【2】 http://blog.itpub.net/12199764/viewspace-1479320/
【3】 http://blog.csdn.net/zouxy09/article/details/17589329
【4】 http://www.cnblogs.com/meelo/p/4272677.html
【5】 http://scikit-learn.org/stable/modules/clustering.html#clustering
六、实验源码
# *- coding: utf-8 -*-
import sys
import os
import jieba
import jieba.analyse
import codecs
import re
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
from zhon.hanzi import punctuation
from sklearn.cluster import KMeans
from sklearn.externals import joblib
reload(sys)
sys.setdefaultencoding('utf8')
# Step1:Read file
def read_file():
path = "train\\C4-Literature\\"
resName = "Result.txt"
if os.path.exists(resName):
os.remove(resName)
result = codecs.open(resName, 'w', 'utf-8')
num = 1
while num <= 33:
name = "C4-Literature%d" % num
fileName = path + str(name) + ".txt"
source = open(fileName, 'r')
line = source.readline().decode('GB2312')
line = line.strip('\n')
line = line.strip('\r')
while line != "":
line = line.encode('utf-8')
line = line.replace('\n', ' ')
line = line.replace('\r', ' ')
result.write(line + ' ')
line = source.readline().decode('GB2312')
else:
result.write('\r\n')
source.close()
num = num + 1
else:
result.close()
return resName
# Step2:cut file and get feature vector matrixes
def get_TFIDF(resname,filename):
corpus = [] # 语料库 空格连接
# 读取语料 一行为一个文档
for line in open(resname, 'r').readlines():
line=line.strip() # 删除末尾的'/n'
string = re.sub(ur"[%s]+" % punctuation, "", line.decode("utf-8")) # 去标点
seg_list = jieba.cut(string,cut_all=False) # 结巴分词
corpus.append(' '.join(seg_list))
# 将文本中的词语转换为词频矩阵 矩阵元素a[i][j] 表示j词在i类文本下的词频
vectorizer = CountVectorizer()
# 该类会统计每个词语的tf-idf权值
transformer = TfidfTransformer()
# 第一个fit_transform是计算tf-idf 第二个fit_transform是将文本转为词频矩阵
tfidf = transformer.fit_transform(vectorizer.fit_transform(corpus))
# 获取词袋模型中的所有词语
word = vectorizer.get_feature_names()
# 将tf-idf矩阵抽取出来,元素w[i][j]表示j词在i类文本中的tf-idf权重
weight = tfidf.toarray()
# fileName = "TF-IDF_Result.txt"
result = codecs.open(filename, 'w', 'utf-8')
for j in range(len(word)):
result.write(word[j] + ' ')
result.write('\r\n\r\n')
# 打印每类文本的tf-idf词语权重,第一个for遍历所有文本,第二个for便利某一类文本下的词语权重
for i in range(len(weight)):
for j in range(len(word)):
result.write(str(weight[i][j]) + ' ')
result.write('\r\n\r\n')
result.close()
return weight
# Step3:Clustering
def K_Means(weight):
print 'Start Kmeans:'
# 选择3个中心点
clf = KMeans(n_clusters=3)
# clf.fit(X)可以把数据输入到分类器里
clf.fit(weight)
# 3个中心点
print 'cluster_center:'
print(clf.cluster_centers_)
# 每个样本所属的簇
# print(clf.labels_)
print'list_number label '
i = 1
while i <= len(clf.labels_):
print i,' ',clf.labels_[i - 1]
i = i + 1
# 用来评估簇的个数是否合适,距离越小说明簇分的越好,选取临界点的簇个数
print 'inertia:'
print(clf.inertia_)
# 保存模型
joblib.dump(clf, 'km.pkl')
# Step4:Test
def test():
path = "test\\"
test_name = "test_result.txt"
file_name = "test_TF-IDF.txt"
if os.path.exists(test_name):
os.remove(test_name)
test_result = codecs.open(test_name,'w','utf-8')
for file in os.listdir(path):
source = open(path + file,'r')
line = source.readline().decode('GB2312')
line = line.strip('\n')
line = line.strip('\r')
while line !="":
line = line.encode('utf-8')
line = line.replace('\n',' ')
line = line.replace('\r',' ')
test_result.write(line + ' ')
line=source.readline().decode('GB2312')
else:
test_result.write('\n\r')
source.close()
test_result.close()
test_weight = get_TFIDF(test_name,file_name)
# 载入保存的模型
clf = joblib.load('km.pkl')
clf.fit_predict(test_weight)
print'list_number label '
i = 1
while i <= len(clf.labels_):
print i, ' ', clf.labels_[i - 1]
i = i + 1
if __name__ == '__main__':
resName = read_file()
filename = "TF-IDF_Result.txt"
weight=get_TFIDF(resName,filename)
K_Means(weight)
test()