R语言-文本挖掘 主题模型 文本分类

####需要先安装几个R包，如果有这些包，可省略安装包的步骤。
#install.packages("Rwordseg")
#install.packages("tm");
#install.packages("wordcloud");
#install.packages("topicmodels")

例子中所用数据

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。

预处理python脚本


所需数据

大家也可以用R直接将原始数据转变成train.csv中的数据

文章所需stopwords


1.     读取资料库

• csv <- read.csv("d://wb//train.csv",header=T, stringsAsFactors=F)
• mystopwords<- unlist (read.table("d://wb//StopWords.txt",stringsAsFactors=F))
  

复制代码
2.   

数据预处理（中文分词、stopwords处理）

• 
  
• library(tm);
• 
  
• #移除数字
• removeNumbers = function(x) { ret = gsub("[0-9０１２３４５６７８９]","",x) }
• sample.words <- lapply(csv$$$$text, removeNumbers)
  

复制代码

• 
  
• #处理中文分词,此处用到Rwordseg包
• 
  
• wordsegment<- function(x) {
•     library(Rwordseg)
• segmentCN(x)
• }
• 
  
• sample.words <- lapply(sample.words, wordsegment)
  

复制代码

• 
  
• ###stopwords处理
• ###先处理中文分词，再处理stopwords，防止全局替换丢失信息
• 
  
• removeStopWords = function(x,words) {
•     ret = character(0)
•     index <- 1
•     it_max <- length(x)
•     while (index <= it_max) {
•       if (length(words[words==x[index]]) <1) ret <- c(ret,x[index])
•       index <- index +1
•     }
•     ret
• }
• 
  
• 
  
• sample.words <- lapply(sample.words, removeStopWords, mystopwords)
  

复制代码
3.    wordcloud展示

• #构建语料库
• corpus = Corpus(VectorSource(sample.words))
• meta(corpus,"cluster") <- csv$$$$type
• unique_type <- unique(csv$$$$type)
• #建立文档-词条矩阵
• (sample.dtm <- DocumentTermMatrix(corpus, control = list(wordLengths = c(2, Inf))))
  

复制代码

• 
  
• #install.packages("wordcloud"); ##需要wordcloud包的支持
• 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("d://wb//sample_comparison",".png", sep = ""), width = 1500, height = 1500 );
• comparison.cloud(tdm_matrix,colors=rainbow(ncol(tdm_matrix)));####由于颜色问题，稍作修改
• 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("d://wb//sample_ cluster_comparison",".png", sep = ""), width = 800, height = 800 )
• comparison.cloud(cluster_matrix,colors=brewer.pal(ncol(cluster_matrix),"Paired")) ##由于颜色分类过少，此处稍作修改
• 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("d://wb//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



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)
• 
  
• 
  
• sample.dtm  <-  sample.dtm[,  term_tfidf  >=  0.1]
•         sample.dtm  <-  sample.dtm[row_sums(sample.dtm)  >  0,]
• 
  
• library(topicmodels)
• k <- 30
• 
  
• SEED <- 2010
• sample_TM <-
• list(
• VEM = LDA(sample.dtm, k = k, control = list(seed = SEED)),
• VEM_fixed = LDA(sample.dtm, k = k,control = list(estimate.alpha = FALSE, seed = SEED)),
• Gibbs = LDA(sample.dtm, k = k, method = "Gibbs",control = list(seed = SEED, burnin = 1000,thin = 100, iter = 1000)),
• CTM = CTM(sample.dtm, k = k,control = list(seed = SEED,var = list(tol = 10^-4), em = list(tol = 10^-3)))
• )
• 
  

复制代码

• 
  
• 
  
• sapply(sample_TM[1:2], slot, "alpha")
• 
  
• sapply(sample_TM, function(x) mean(apply(posterior(x)$$$$topics,1, function(z) - sum(z * log(z)))))
• 
  
• 
  

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。
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)
• table(Topic)
• 
  
• #每个Topic前5个Term
• Terms <- terms(sample_TM[["VEM"]], 5)
• 
  
• Terms[,1:10]
• 
  

复制代码

• 
  
• ######### auto中每一篇文章中主题数目
• (topics_auto <-topics(sample_TM[["VEM"]])[ grep("auto", csv[[1]]) ])
• 
  
• 
  
• most_frequent_auto <- which.max(tabulate(topics_auto))
• 
  
• ######### 与auto主题最相关的10个词语
• terms(sample_TM[["VEM"]], 10)[, most_frequent_auto]