本文主要介绍文本挖掘的常见方法,主要包括词频分析及wordcloud展现、主题模型、文本分类、分类评价等。分类主要包括无监督分类(系统聚类、KMeans、string kernals),有监督分类(knn、SVM)。
一、文本挖掘概念
将数据挖掘的成果用于分析以自然语言描述的文本,这种方法被称为文本挖掘(Text Mining)或文本知识发现(Knowledge Discovery in Text)。
文本挖掘主要过程:特征抽取、特征选择、文本分类、文本聚类、模型评价。
主题模型(Topic Mode)介绍
主题模型是专门抽象一组文档所表达 “主题” 的统计技术。
最早的模型是 probabilistic latent semantic indexing (PLSI),后来 Latent Dirichlet allocation
(LDA,潜在狄利克雷分配模型) 模型成为了最常见的主题模型,它可以认为是 PLSI 的泛化形式。LDA 主题模型涉及到贝叶斯理论、Dirichlet 分布、多项分布、图模型、变分推断、EM 算法、Gibbs 抽样等知识。
二、实例分析
0. 数据预处理
数据来源于sougou实验室数据。
数据网址:http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz
文件结构
└─Sample
├─C000007 汽车
├─C000008 财经
├─C000010 IT
├─C000013 健康
├─C000014 体育
├─C000016 旅游
├─C000020 教育
├─C000022 招聘
├─C000023
└─C000024 军事
采用Python对数据进行预处理为train.csv文件,并把每个文件文本数据处理为1行。
1. 读取资料库
- setwd("d:\\Testing\\R\\w12")
- csv <- read.csv("train.csv",header=T, stringsAsFactors=F)
- mystopwords<- unlist (read.table("StopWords.txt",stringsAsFactors=F))
复制代码
2. 数据预处理(中文分词、stopword处理)
- library(tm)
- #移除数字
- removeNumbers = function(x) { ret = gsub("[0-90123456789]","",x) }
复制代码
3. wordcloud展示
- library(wordcloud)
- #不同文档wordcloud对比图
- sample.tdm <- TermDocumentMatrix(corpus, control = list(wordLengths = c(2, Inf)))
- tdm_matrix <- as.matrix(sample.tdm)
-
- png(paste("sample_comparison",".png", sep = ""), width = 1500, height = 1500 )
- comparison.cloud(tdm_matrix)
- title(main = "sample comparision")
- dev.off()
-
复制代码
- #按分类汇总wordcloud对比图
- n <- nrow(csv)
- zz1 = 1:n
- cluster_matrix<-sapply(unique_type,function(type){apply(tdm_matrix[,zz1[csv$type==type]],1,sum)})
- png(paste("sample_ cluster_comparison",".png", sep = ""), width = 800, height = 800 )
- comparison.cloud(cluster_matrix)
- title(main = "sample cluster comparision")
- dev.off()
-
复制代码
可以看出数据分布不均匀,culture
、auto
等数据很少。
- #按各分类画wordcloud
- sample.cloud <- function(cluster, maxwords = 100) {
- words <- sample.words[which(csv$type==cluster)]
- allwords <- unlist(words)
-
- wordsfreq <- sort(table(allwords), decreasing = T)
- wordsname <- names(wordsfreq)
-
- png(paste("sample_", cluster, ".png", sep = ""), width = 600, height = 600 )
- wordcloud(wordsname, wordsfreq, scale = c(6, 1.5), min.freq = 2, max.words = maxwords, colors = rainbow(100))
- title(main = paste("cluster:", cluster))
- dev.off()
- }
- lapply(unique_type,sample.cloud)# unique(csv$type)
-
复制代码
#
列出第一副和最后一幅图
4. 主题模型分析
- library(slam)
- summary(col_sums(sample.dtm))
- term_tfidf <- tapply(sample.dtm$v/row_sums( sample.dtm)[ sample.dtm$i], sample.dtm$j, mean)*
- log2(nDocs( sample.dtm)/col_sums( sample.dtm > 0))
- summary(term_tfidf)
-
复制代码
- sample.dtm <- sample.dtm[, term_tfidf >= 0.1]
- sample.dtm <- sample.dtm[row_sums(sample.dtm) > 0,]
-
复制代码
α估计严重小于默认值,这表明Dirichlet
分布数据集中于部分数据,文档包括部分主题。
- sapply(sample_TM, function(x) mean(apply(posterior(x)$topics,1, function(z) -sum(z*log(z)))))
复制代码
数值越高说明主题分布更均匀
- #最可能的主题文档
- Topic <- topics(sample_TM[["VEM"]], 1)
- #每个Topc前5个Term
- Terms <- terms(sample_TM[["VEM"]], 5)
- Terms[, 1:10]
-
复制代码
从结果来看,与原有手工10大分类“汽车、财经、IT、健康、体育、旅游、教育、招聘、文化、军事”对比,可以发现旅游、军事等主题还比较明显,但总的效果不是很理想(可以和“按分类汇总wordcloud对比图”对比一下)。
5. 文本分类-无监督分类,包括系统聚类、KMeans、string kernals。
- sample_matrix = as.matrix(sample.dtm)
- rownames(sample_matrix) <- csv$type
复制代码
可见和主题模型得出结论相同,数据分布过于集中。说明数据集可能还不够具有代表性。
l KMeans分类
- sample_KMeans <- kmeans(sample_matrix, k)
- library(clue)
- #计算最大共同分类率
- cl_agreement(sample_KMeans, as.cl_partition(csv$type), "diag")
-
复制代码
分类效果比较差。
l
string kernels
- library("kernlab")
- stringkern <- stringdot(type = "string")
- stringC1 <- specc(corpus, 10, kernel=stringkern)
- #查看统计效果
- table("String Kernel"=stringC1, cluster = csv$type )
-
复制代码
可以看出travel、education分类准确,auto、it、health等分类效果差。
6.文本分类-有监督分类,包括knn、SVM
把数据随机抽取90%作为学习集,剩下10%作为测试集。实际应用中应该进行交叉检验,这里简单起见,只进行一次抽取。
- n <- nrow(csv)
- set.seed(100)
- zz1 <- 1:n
- zz2 <- rep(1:k,ceiling(n/k))[1:n] #k <- length(unique(csv$type))
- zz2 <- sample(zz2,n)
-
- train <- sample_matrix[zz2<10,]
- test <- sample_matrix[zz2==10,]
- trainC1 <- as.factor(rownames(train))
-
复制代码
l Knn分类
- library(class)
- sample_knnCl <- knn(train, test, trainC1)
- trueC1 <- as.factor(rownames(test))
- #查看预测结果
- (nnTable <- table("1-NN" = sample_knnCl, sample = trueC1))
-
复制代码
- sum(diag(nnTable))/nrow(test)
复制代码
看样样本集少预测效果是不好。
l SVM分类
- rownames(train) <- NULL
- train <- as.data.frame(train)
- train$type <- trainC1
- sample_ksvm <- ksvm(type~., data=train)
- svmCl <- predict(sample_ksvm,test)
- (svmTable <-table(SVM=svmCl, sample=trueC1))
-
复制代码
- sum(diag(svmTable))/nrow(test)
复制代码
看上去svm方法效果比较好些。
7.其他分类
文本数据经过矩阵化转换后,变为普通的Matrix或data.frame结构,传统数据挖掘方法都可以使用,如决策数、神经网络等,对此不再细述。
总结
本文介绍了文本挖掘常见的方法,因学习时间比较短,很多细节部分也没有展开描述,加之数据集选的不给力(样本少),计划下载些新闻进行分类预测暂且搁置。
另外对大数据量的文本的分析,可以考虑R结合Hadoop进行分布式分析。下回分解。
转自:http://f.dataguru.cn/thread-46051-1-1.html