向量空间模型VSM—特征抽取算法—TF-IDF

原文作者：lucky小东西

原文地址：基于tf-idf的小说主题特征抽取算​法

1.主题特征抽取做什么

在当前个性化推荐大行其道的时候，那就不得不提用户画像。用户画像的主要工作内容就是将用户标签化，对于我们现有的数据来说，用户本身的固有属性很难获取到，或者说即使获取到了，也是不够准确的。那我们只能从“用户到底看了啥”这个角度，尝试去描述一个用户了。那么，我们想要知道一个用户“看了啥”，那么我们首先需要确定“他看的书到底是啥”。换言之，我们需要知道他读的小说是什么小说，所以，我们先得清楚文章的主题，我们得清楚小说的标签。小说的标签准了，那么通过用户对标签的行为，那么，试想一下，用户的标签还不容易吗？所以，与天猫、京东类似的电商不一样(他们的物品已经高度分类以及标签化，并且用户数据详细而准确)，以内容为王的技术社区想要做好用户画像，那么，物品画像的构建是重中之重。而对于物品画像的构建，标签系统又是重中之重。对于标签系统的建立，那么，自然少不了文本主题特征的抽取。

2.TF-IDF

2.1 TF-IDF模型介绍

一个容易想到的思路，就是找到出现次数最多的词。如果某个词很重要，它应该在这篇文章中多次出现。于是，我们进行"词频"（Term Frequency，缩写为TF）统计。以我们的小说为例，出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做"停用词"（stop words），这类词对我们无用，需要过滤掉停用词。假设我们把它们都过滤掉了，只考虑剩下的有实际意义的词。这样又会遇到了另一个问题，我们可能发现"帅哥"、"美女"这类的词出现的次数也是很高，可是这类词在所有书中都有很高的出现率，所以对我们也并不是十分有用，如果某个词比较少见，但是它在这篇文章中多次出现，那么它很可能就反映了这篇文章的特性，正是我们所需要的关键词。

用统计学语言表达，就是在词频的基础上，要对每个词分配一个"重要性"权重。最常见的词（"的"、"是"、"在"）给予最小的权重，较常见的词（"帅哥"）给予较小的权重，较少见的词（"魔幻"、"盛唐"）给予较大的权重。这个权重叫做"逆文档频率"（Inverse Document Frequency，缩写为IDF），它的大小与一个词的常见程度成反比。知道了"词频"（TF）和"逆文档频率"（IDF）以后，将这两个值相乘，就得到了一个词的TF-IDF值。某个词对文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这篇文章的关键词。

第一步，计算词频。

第二步，计算逆文档频率。

如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0（即所有文档都不包含该词）。log表示对得到的值取对数。

第三步，计算TF-IDF。

 

可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词的算法就很清楚了，就是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。

2.2 TF-IDF模型应用实例

2.2.1 关键词提取

算法核心代码如下所示：

# -*- coding: UTF-8 -*-
from jieba import analyse
# 引入TF-IDF关键词抽取接口
tfidf = analyse.extract_tags

# 原始文本
text = "杨幂、赵又廷主演古装玄幻大剧原著小说，三生三世，她和他，是否注定背负一段纠缠的姻缘？三生三世，她和他，是否终能互许一个生生世世的承诺？" \
       "那一世，大荒之中一处荒山，成就她与他的初见。桃花灼灼，枝叶蓁蓁，妖娆伤眼。" \
       "记忆可以封存，可心有时也会背叛，忘得了前世情缘，忘不了桃林十里，亦忘不了十里桃林中玄衣的少年。"
# 基于TF-IDF算法进行关键词抽取
keywords = tfidf(text)
print "keywords by tfidf:"
# 输出抽取出的关键词
for keyword in keywords:
    print keyword + "/",

三生三世十里桃花

输入：
"杨幂、赵又廷主演古装玄幻大剧原著小说，三生三世，她和他，是否注定背负一段纠缠的姻缘？三生三世，她和他，是否终能互许一个生生世世的承诺？" 
"那一世，大荒之中一处荒山，成就她与他的初见。桃花灼灼，枝叶蓁蓁，妖娆伤眼。" 
"记忆可以封存，可心有时也会背叛，忘得了前世情缘，忘不了桃林十里，亦忘不了十里桃林中玄衣的少年。"

输出：
keywords by tf-idf:
三生/ 桃林/ 忘不了/ 三世/ 十里/ 蓁蓁/ 玄幻/ 伤眼/ 生生世世/ 互许/ 赵又廷/ 大剧/ 中玄衣/ 杨幂/ 终能/ 忘得/ 情缘/ 古装/ 妖娆/ 是否/

铁拳少年

输入：
"一个元气满满的格斗少年，费尽九牛二虎之力考入东江大学，只为挑战高中时代的学长偶像，亲手击碎高中三年的格斗梦魇。当他第一脚踏进东大长空格斗社的那天起，
他才发现格斗王冠下的荆棘远远比夺得王冠要来的更有意义，枯燥的大学青春一样可以变得热血沸腾……"

输出：
keywords by tf-idf:
格斗/ 王冠/ 学长/ 高中时代/ 社的/ 东大/ 大学/ 更有意义/ 九牛二虎之力/ 击碎/ 费尽/ 梦魇/ 长空/ 枯燥/ 热血沸腾/ 荆棘/ 东江/ 偶像/ 元气/ 满满的/

破产名媛约不约

输入：
她是落魄名媛季晚，亦是极具天赋的珠宝设计师；他是名门之后郁东尧，出身显赫。传闻他心狠手毒，亲手设计车祸，害死弟弟，又娶了弟弟的心上人季晚为妻。
四年前，一个事故、一场婚礼，将他与她的命运牢牢捆绑，她走不出去，他不曾归来。
四年后，当亡者与旧爱同时回归，掀起重重波澜，丑闻、抄袭门、连环车...

输出：
keywords by tf-idf:
弟弟/ 心狠手毒/ 四年/ 郁东尧/ 亡者/ 心上人/ 名媛/ 抄袭/ 名门/ 落魄/ 车祸/ 害死/ 连环/ 丑闻/ 波澜/ 天赋/ 捆绑/ 显赫/ 设计师/

大唐奇案集

输入：
盛世锦绣，繁华大唐，一场无头连环女尸案掀起腥风血雨。
当女扮男装的捕头沈锦文，遇见身负重重谜团的宁修睿，她的世界便开始天翻地覆。
一桩桩奇案接踵而来，诡异惊悚的四方宫灯案，骇人听闻的密室灭门案，神秘离奇的南疆将士怀胎案，西域古国龟兹国进贡的九龙雕像玉雕杀人案

输出：
keywords by tf-idf:
奇案/ 腥风血雨/ 捕头/ 灭门案/ 宁修/ 沈锦文/ 惊悚/ 女扮男装/ 杀人案/ 身负/ 怀胎/ 接踵而来/ 谜团/ 天翻地覆/ 骇人听闻/ 宫灯/ 古国/ 玉雕/ 连环/ 锦绣/

至高无上

输入：
命运是一道痛苦枷锁，芸芸众生，无人能挣脱它的锁链。三千年的孤独等待，却只换来与她一世轮回的天人永隔。
命运曰，不能改变世界，就会被世界改变，这就是命。因这句话，这一世他再次收齐遗留在上古之神石，扭曲规则，从此改变的是世界，不是他。

输出：
keywords by tf-idf:
命运/ 一世/ 轮回/ 世界/ 收齐/ 天人永隔/ 神石/ 芸芸众生/ 三千年/ 枷锁/ 锁链/ 遗留/ 上古/ 换来/挣脱/ 扭曲/ 孤独/ 无人/ 这句/

结果说明：

1.由于用的jieba分词自带的语料库，所以对于小说语料不是很完整，过滤掉停用词，常见词等效果还能够提升，这个可以通过后期训练进行补充。

2.输入数据仅为简介，所有可能有一些词可能拆分出来的并不是理想，如果实操需要采用小说内容。

即使这样，从结果中还是可以看出重点词语大多数都被提取出来了，通过抽取的关键词结合人工提供的关键词，可以对小说进行更加准确的特征描述。