用python实现NMF降维

非负矩阵分解(Non-negative Matrix Factorization)

NMF简介

NMF用于文本降维

NMF的可解释性

NMF用于归纳单篇文章主题

NMF用于推荐多篇相似文章

---

NMF简介

NMF也是一种降维方法，相比PCA具有以下特点：

        1，可解释性

        2，可以用于所有数据集类型（PCA不能用于csr_matrix类型）

        3，要求样本特征必须非负，像是表示每日股票价格升降的数组就不可以

NMF用于文本降维

现在我们将NMF用在类型为csr_matrix的wiki_features上，先print一下看看它的内容：

<script.py> output:
    wiki_features.shape is  (60, 13125)

    wiki_features is  (0, 16)  0.024688249778400003
      (0, 32)	0.0239370711117
      (0, 33)	0.0210896267411
      :	:
      (59, 13107)	0.025819936285200004
      (59, 13108)	0.0340972474957
      (59, 13113)	0.0170000449408

    wiki_features.toarray() is  [[0.         0.         0.         ... 0.         0.         0.        ]
     [0.         0.         0.02960744 ... 0.         0.         0.        ]
     [0.         0.         0.         ... 0.01159441 0.         0.        ]
     ...
     [0.         0.         0.         ... 0.         0.         0.        ]
     [0.         0.00610985 0.         ... 0.         0.00547551 0.        ]
     [0.         0.         0.         ... 0.         0.         0.        ]]

其中通过.shape可以看出原始数据有60篇文章，13125种字。.toarray()中第 i 个横向量表示第 i 篇文章中这13125种字的 "tf-idf" 值。其中，"tf" 表示每种字在第 i 篇文章中出现的频率，可以通过这种字出现的次数除以第 i 篇文章总字数计算；"idf" 是一种加权方法，可以减少频词的作用，比如冠词 "the" 。

现在我们来使用NMF给wiki_features降下维叭

# 导入相应的库
from sklearn.decomposition import NMF

# 创建一个model，注意NMF必须规定降到的维数 n_components ，但是PCA不必要
model = NMF(n_components = 6)

# 训练模型
model.fit(wiki_features)

# 降维
nmf_features = model.transform(wiki_features)

# 输出维度与内容
print(nmf_features.shape)
print(nmf_features.round(2))

最后输出结果如下，我们可以看到13125变成了6，内容的输出咱们保留了两位小数。 

<script.py> output:
    (60, 6)
    [[0.   0.   0.   0.   0.   0.44]
     [0.   0.   0.   0.   0.   0.57]
     [0.   0.   0.   0.   0.   0.4 ]
     :              :              :
     :              :              :
     [0.45 0.   0.   0.   0.01 0.  ]
     [0.29 0.01 0.01 0.01 0.19 0.01]
     [0.38 0.01 0.   0.1  0.01 0.  ]]

NMF的可解释性

那么这个结果是怎么得到的呢？其实是wiki_features (60, 13125) 与 model.components_转置 (13125, 6)的乘积，我们可以来验证一下~

<script.py> output:
    model.components_.shape is (6, 13125)
    (np.mat(wiki_features)*(np.mat(model.components_).I)).round(2) is  
    [[-0.01 -0.01 -0.   -0.02 -0.    0.44]
     [-0.   -0.   -0.   -0.   -0.01  0.57]
     [ 0.    0.   -0.01 -0.01 -0.    0.4 ]
     :                 :                 :
     :                 :                 :     
     [ 0.45 -0.   -0.   -0.02  0.01 -0.01]
     [ 0.29  0.01  0.01  0.01  0.19  0.01]
     [ 0.38  0.01 -0.    0.1   0.01 -0.  ]]

所以我们说NMF具有可解释性，每篇文章降维后的nmf.features是通过清晰的公式计算得到的。

咱们还可以用DataFrame格式看每篇文章降维后的特征向量，

# 导入pandas库
import pandas as pd

# 创建DataFrames，用标题进行索引
df = pd.DataFrame(nmf_features,index = titles)

# 输出'Anne Hathaway'文章的components
print(df.loc['Anne Hathaway'])

 输出的结果如下：

<script.py> output:
    0    0.003845
    1    0.000000
    2    0.000000
    3    0.575711
    4    0.000000
    5    0.000000
    Name: Anne Hathaway, dtype: float64

NMF用于归纳单篇文章主题

除了降维以外，我们还可以用NMF做很多工作，比如利用 model.components_ 归纳文章主题。比如《Anne Hathaway》在 nmf.features 保存的数据中第 3 行( 0.575711 )远大于其他几行，所以我们可以查看一下 model.components_ 的第 3 个component是什么，从而推出这篇文章的主题。

# 先创建一个方便索引model.components的表格
# 导入 pandas 库
import pandas as pd

# 创建表格，model.components是(6, 13125) 的数组，很容易知道它的每一列都表示一种字
components_df = pd.DataFrame(model.components_,columns=words)

# 输出看看
print(components_df)

<script.py> output:
       aaron     abandon    abandoned ... zone      zones     zoo
    0  0.011375  0.001210   0.000000  ... 0.000000  0.000424  0.0
    1  0.000000  0.000010   0.005663  ... 0.002813  0.000297  0.0
    2  0.000000  0.000008   0.000000  ... 0.000000  0.000143  0.0
    3  0.004148  0.000000   0.003056  ... 0.001742  0.006720  0.0
    4  0.000000  0.000568   0.004918  ... 0.000192  0.001351  0.0
    5  0.000139  0.000000   0.008748  ... 0.002401  0.001682  0.0
    [6 rows x 13125 columns]

索引到第 3 个componets，但是我们知道一行components有13125种字，不可能全是主题，所以我们使用 .nlargest() 前五个最大值对应的字。

# 选择第三行（注意是从0开始编号）
component = components_df.iloc[3]

# 输出最大的五个值对应的文字
print(component.nlargest())

最后输出的结果：

<script.py> output:
    film       0.627877
    award      0.253131
    starred    0.245284
    role       0.211451
    actress    0.186398
    Name: 3, dtype: float64

NMF用于推荐多篇相似文章

其实可以再进一步，使用 nmf_features 找出与这篇文章主题类似的其他文章，类似浏览器中的推荐功能。

直接比较 nmf_features 是不合理的，因为同一主题的文章对应的的 nmf_features 不一定相似。因为有些文章的主题表达的比较直接，有些比较隐晦（废话多），后者的主题词频可能被稀释。所以我们选择余弦相似度来比较，因为将这些同一主题的文章对应的 nmf_features 画成散点图，虽然绝对值不同，但是都近似在一条过原点的直线上，这样通过比较直线就可以比较文章主题。

示意图（以n_components = 2 为例）

下面我们来看具体的代码叭。

# 导入Pandas库
# 为了计算方便，用点积代表余弦值，可以将每一行数组化成单位向量再输入，这里调用了normalize
import pandas as pd
from sklearn.preprocessing import normalize

# 矢量归一化
norm_features = normalize(nmf_features)

# 创建一个表格
df = pd.DataFrame(norm_features, index = titles)

# 选定一篇文章
target_article = df.loc['Anne Hathaway']

# 计算这篇文章与其他文章的余弦相似度，即归一化后的点积
similarities = df.dot(target_article)

# 选择相似度最大的前五篇文章
print(similarities.nlargest())

 最后输出结果：

<script.py> output:
    Anne Hathaway           1.000000
    Michael Fassbender      0.999978
    Catherine Zeta-Jones    0.999978
    Jessica Biel            0.999978
    Mila Kunis              0.999900
    dtype: float64