python documents in chinese_基于 Python 的简单自然语言处理实践

基于 Python 的简单自然语言处理

Twenty News Group 语料集处理

20 Newsgroup 数据集包含了约 20000 篇来自于不同的新闻组的文档，最早由 Ken Lang 搜集整理。本部分包含了对于数据集的抓取、特征提取、简单分类器训练、主题模型训练等。本部分代码包括主要的处理代码封装库与基于 Notebook 的交互示范。我们首先需要进行数据抓取：

def fetch_data(self, subset='train', categories=None):

"""return data

执行数据抓取操作

Arguments:

subset -> string -- 抓取的目标集合 train / test / all

"""

rand = np.random.mtrand.RandomState(8675309)

data = fetch_20newsgroups(subset=subset,

categories=categories,

shuffle=True,

random_state=rand)

self.data[subset] = data

然后在 Notebook 中交互查看数据格式：

# 实例化对象

twp = TwentyNewsGroup()

# 抓取数据

twp.fetch_data()

twenty_train = twp.data['train']

print("数据集结构", "->", twenty_train.keys())

print("文档数目", "->", len(twenty_train.data))

print("目标分类", "->",[ twenty_train.target_names[t] for t in twenty_train.target[:10]])

数据集结构 -> dict_keys(['data', 'filenames', 'target_names', 'target', 'DESCR', 'description'])

文档数目 -> 11314

目标分类 -> ['sci.space', 'comp.sys.mac.hardware', 'sci.electronics', 'comp.sys.mac.hardware', 'sci.space', 'rec.sport.hockey', 'talk.religion.misc', 'sci.med', 'talk.religion.misc', 'talk.politics.guns']

接下来我们可以对语料集中的特征进行提取：

# 进行特征提取

# 构建文档-词矩阵(Document-Term Matrix)

from sklearn.feature_extraction.text import CountVectorizer

count_vect = CountVectorizer()

X_train_counts = count_vect.fit_transform(twenty_train.data)

print("DTM 结构","->",X_train_counts.shape)

# 查看某个词在词表中的下标

print("词对应下标","->", count_vect.vocabulary_.get(u'algorithm'))

DTM 结构 -> (11314, 130107)

词对应下标 -> 27366

为了将文档用于进行分类任务，还需要使用 TF-IDF 等常见方法将其转化为特征向量：

# 构建文档的 TF 特征向量

from sklearn.feature_extraction.text import TfidfTransformer

tf_transformer = TfidfTransformer(use_idf=False).fit(X_train_counts)

X_train_tf = tf_transformer.transform(X_train_counts)

print("某文档 TF 特征向量","->",X_train_tf)

# 构建文档的 TF-IDF 特征向量

from sklearn.feature_extraction.text import TfidfTransformer

tf_transformer = TfidfTransformer().fit(X_train_counts)

X_train_tfidf = tf_transformer.transform(X_train_counts)

print("某文档 TF-IDF 特征向量","->",X_train_tfidf)

某文档 TF 特征向量 -> (0, 6447) 0.0380693493813

(0, 37842) 0.0380693493813

我们可以将特征提取、分类器训练与预测封装为单独函数：

def extract_feature(self):

"""

从语料集中抽取文档特征

"""

# 获取训练数据的文档-词矩阵

self.train_dtm = self.count_vect.fit_transform(self.data['train'].data)

# 获取文档的 TF 特征

tf_transformer = TfidfTransformer(use_idf=False)

self.train_tf = tf_transformer.transform(self.train_dtm)

# 获取文档的 TF-IDF 特征

tfidf_transformer = TfidfTransformer().fit(self.train_dtm)

self.train_tfidf = tf_transformer.transform(self.train_dtm)

def train_classifier(self):

"""

从训练集中训练出分类器

"""

self.extract_feature();

self.clf = MultinomialNB().fit(

self.train_tfidf, self.data['train'].target)

def predict(self, docs):

"""

从训练集中训练出分类器

"""

X_new_counts = self.count_vect.transform(docs)

tfidf_transformer = TfidfTransformer().fit(X_new_counts)

X_new_tfidf = tfidf_transformer.transform(X_new_counts)

return self.clf.predict(X_new_tfidf)

然后执行训练并且进行预测与评价：

# 训练分类器

twp.train_classifier()

# 执行预测

docs_new = ['God is love', 'OpenGL on the GPU is fast']

predicted = twp.predict(docs_new)

for doc, category in zip(docs_new, predicted):

print('%r => %s' % (doc, twenty_train.target_names[category]))

# 执行模型评测

twp.fetch_data(subset='test')

predicted = twp.predict(twp.data['test'].data)

import numpy as np

# 误差计算

# 简单误差均值

np.mean(predicted == twp.data['test'].target)

# Metrics

from sklearn import metrics

print(metrics.classification_report(

twp.data['test'].target, predicted,

target_names=twp.data['test'].target_names))

# Confusion Matrix

metrics.confusion_matrix(twp.data['test'].target, predicted)

'God is love' => soc.religion.christian

'OpenGL on the GPU is fast' => rec.autos

precision recall f1-score support

alt.atheism 0.79 0.50 0.61 319

...

talk.religion.misc 1.00 0.08 0.15 251

avg / total 0.82 0.79 0.77 7532

Out[16]:

array([[158, 0, 1, 1, 0, 1, 0, 3, 7, 1, 2, 6, 1,

8, 3, 114, 6, 7, 0, 0],

...

[ 35, 3, 1, 0, 0, 0, 1, 4, 1, 1, 6, 3, 0,

6, 5, 127, 30, 5, 2, 21]])

我们也可以对文档集进行主题提取：

# 进行主题提取

twp.topics_by_lda()

Topic 0 : stream s1 astronaut zoo laurentian maynard s2 gtoal pem fpu

Topic 1 : 145 cx 0d bh sl 75u 6um m6 sy gld

Topic 2 : apartment wpi mars nazis monash palestine ottoman sas winner gerard

Topic 3 : livesey contest satellite tamu mathew orbital wpd marriage solntze pope

Topic 4 : x11 contest lib font string contrib visual xterm ahl brake

Topic 5 : ax g9v b8f a86 1d9 pl 0t wm 34u giz

Topic 6 : printf null char manes behanna senate handgun civilians homicides magpie

Topic 7 : buf jpeg chi tor bos det que uwo pit blah

Topic 8 : oracle di t4 risc nist instruction msg postscript dma convex

Topic 9 : candida cray yeast viking dog venus bloom symptoms observatory roby

Topic 10 : cx ck hz lk mv cramer adl optilink k8 uw

Topic 11 : ripem rsa sandvik w0 bosnia psuvm hudson utk defensive veal

Topic 12 : db espn sabbath br widgets liar davidian urartu sdpa cooling

Topic 13 : ripem dyer ucsu carleton adaptec tires chem alchemy lockheed rsa

Topic 14 : ingr sv alomar jupiter borland het intergraph factory paradox captain

Topic 15 : militia palestinian cpr pts handheld sharks igc apc jake lehigh

Topic 16 : alaska duke col russia uoknor aurora princeton nsmca gene stereo

Topic 17 : uuencode msg helmet eos satan dseg homosexual ics gear pyron

Topic 18 : entries myers x11r4 radar remark cipher maine hamburg senior bontchev

Topic 19 : cubs ufl vitamin temple gsfc mccall astro bellcore uranium wesleyan

常见自然语言处理工具封装

经过上面对于 20NewsGroup 语料集处理的介绍我们可以发现常见自然语言处理任务包括，数据获取、数据预处理、数据特征提取、分类模型训练、主题模型或者词向量等高级特征提取等等。笔者还习惯用 python-fire 将类快速封装为可通过命令行调用的工具，同时也支持外部模块调用使用。本部分我们主要以中文语料集为例，譬如我们需要对中文维基百科数据进行分析，可以使用 gensim 中的维基百科处理类：

class Wiki(object):

"""

维基百科语料集处理

"""

def wiki2texts(self, wiki_data_path, wiki_texts_path='./wiki_texts.txt'):

"""

将维基百科数据转化为文本数据

Arguments:

wiki_data_path -- 维基压缩文件地址

"""

if not wiki_data_path:

print("请输入 Wiki 压缩文件路径或者前往 https://dumps.wikimedia.org/zhwiki/ 下载")

exit()

# 构建维基语料集

wiki_corpus = WikiCorpus(wiki_data_path, dictionary={})

texts_num = 0

with open(wiki_text_path, 'w', encoding='utf-8') as output:

for text in wiki_corpus.get_texts():

output.write(b' '.join(text).decode('utf-8') + '\n')

texts_num += 1

if texts_num % 10000 == 0:

logging.info("已处理 %d 篇文章" % texts_num)

print("处理完毕，请使用 OpenCC 转化为简体字")

抓取完毕后，我们还需要用 OpenCC 转化为简体字。抓取完毕后我们可以使用结巴分词对生成的文本文件进行分词，代码参考这里，我们直接使用 python chinese_text_processor.py tokenize_file /output.txt 直接执行该任务并且生成输出文件。获取分词之后的文件，我们可以将其转化为简单的词袋表示或者文档-词向量，详细代码参考这里：

class CorpusProcessor:

"""

语料集处理

"""

def corpus2bow(self, tokenized_corpus=default_documents):

"""returns (vocab,corpus_in_bow)

将语料集转化为 BOW 形式

Arguments:

tokenized_corpus -- 经过分词的文档列表

Return:

vocab -- {'human': 0, ... 'minors': 11}

corpus_in_bow -- [[(0, 1), (1, 1), (2, 1)]...]

"""

dictionary = corpora.Dictionary(tokenized_corpus)

# 获取词表

vocab = dictionary.token2id

# 获取文档的词袋表示

corpus_in_bow = [dictionary.doc2bow(text) for text in tokenized_corpus]

return (vocab, corpus_in_bow)

def corpus2dtm(self, tokenized_corpus=default_documents, min_df=10, max_df=100):

"""returns (vocab, DTM)

将语料集转化为文档-词矩阵

- dtm -> matrix: 文档-词矩阵

I like hate databases

D1 1 1 0 1

D2 1 0 1 1

"""

if type(tokenized_corpus[0]) is list:

documents = [" ".join(document) for document in tokenized_corpus]

else:

documents = tokenized_corpus

if max_df == -1:

max_df = round(len(documents) / 2)

# 构建语料集统计向量

vec = CountVectorizer(min_df=min_df,

max_df=max_df,

analyzer="word",

token_pattern="[\S]+",

tokenizer=None,

preprocessor=None,

stop_words=None

)

# 对于数据进行分析

DTM = vec.fit_transform(documents)

# 获取词表

vocab = vec.get_feature_names()

return (vocab, DTM)

我们也可以对分词之后的文档进行主题模型或者词向量提取，这里使用分词之后的文件就可以忽略中英文的差异：

def topics_by_lda(self, tokenized_corpus_path, num_topics=20, num_words=10, max_lines=10000, split="\s+", max_df=100):

"""

读入经过分词的文件并且对其进行 LDA 训练

Arguments:

tokenized_corpus_path -> string -- 经过分词的语料集地址

num_topics -> integer -- 主题数目

num_words -> integer -- 主题词数目

max_lines -> integer -- 每次读入的最大行数

split -> string -- 文档的词之间的分隔符

max_df -> integer -- 避免常用词，过滤超过该阈值的词

"""

# 存放所有语料集信息

corpus = []

with open(tokenized_corpus_path, 'r', encoding='utf-8') as tokenized_corpus:

flag = 0

for document in tokenized_corpus:

# 判断是否读取了足够的行数

if(flag > max_lines):

break

# 将读取到的内容添加到语料集中

corpus.append(re.split(split, document))

flag = flag + 1

# 构建语料集的 BOW 表示

(vocab, DTM) = self.corpus2dtm(corpus, max_df=max_df)

# 训练 LDA 模型

lda = LdaMulticore(

matutils.Sparse2Corpus(DTM, documents_columns=False),

num_topics=num_topics,

id2word=dict([(i, s) for i, s in enumerate(vocab)]),

workers=4

)

# 打印并且返回主题数据

topics = lda.show_topics(

num_topics=num_topics,

num_words=num_words,

formatted=False,

log=False)

for ti, topic in enumerate(topics):

print("Topic", ti, ":", " ".join(word[0] for word in topic[1]))

该函数同样可以使用命令行直接调用，传入分词之后的文件。我们也可以对其语料集建立词向量，代码参考这里；如果对于词向量基本使用尚不熟悉的同学可以参考基于 Gensim 的 Word2Vec 实践：

def wv_train(self, tokenized_text_path, output_model_path='./wv_model.bin'):

"""

对于文本进行词向量训练，并将输出的词向量保存

"""

sentences = word2vec.Text8Corpus(tokenized_text_path)

# 进行模型训练

model = word2vec.Word2Vec(sentences, size=250)

# 保存模型

model.save(output_model_path)

def wv_visualize(self, model_path, word=["中国", "航空"]):

"""

根据输入的词搜索邻近词然后可视化展示

参数：

model_path: Word2Vec 模型地址

"""

# 加载模型

model = word2vec.Word2Vec.load(model_path)

# 寻找出最相似的多个词

words = [wp[0] for wp in model.most_similar(word, topn=20)]

# 提取出词对应的词向量

wordsInVector = [model[word] for word in words]

# 进行 PCA 降维

pca = PCA(n_components=2)

pca.fit(wordsInVector)

X = pca.transform(wordsInVector)

# 绘制图形

xs = X[:, 0]

ys = X[:, 1]

plt.figure(figsize=(12, 8))

plt.scatter(xs, ys, marker='o')

# 遍历所有的词添加点注释

for i, w in enumerate(words):

plt.annotate(

w,

xy=(xs[i], ys[i]), xytext=(6, 6),

textcoords='offset points', ha='left', va='top',

**dict(fontsize=10)

)

plt.show()