使用K-means及TF-IDF算法对中文文本聚类并可视化
2018-05-31
7,826
对于无监督学习来说,聚类算法对于数据挖掘、NLP处理等方向都有着非常重要的地位。常见的聚类算法比如K-means、BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)、GMM(Gaussian mixture model)、GAAC(Group-average Agglomerative Clustering)等,但是用得最普遍的还是K-means算法,其时间复杂度低且实现的效果较好受到广泛的应用。
本文代码的相关环境为:
* python3以上
* sklearn 机器学习常用包
* jieba 中文分词
* matplotlib 可视化
准备语料
语料格式为每行表示一个文档(语句、文章等需要聚类的文本),行数表示需要聚类的所有文本。
类似这样的:
导入相关包
1
2
3
4
5
6
7
fromsklearn.feature_extraction.textimportCountVectorizer,TfidfTransformer
fromsklearn.manifoldimportTSNE
fromsklearn.clusterimportKMeans
fromdata_utilsimport *
importjieba
importmatplotlib.pyplotasplt
加载语料
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# bigram分词
segment_bigram=lambdatext:" ".join([word+text[idx+1]foridx,wordinenumerate(text)ifidx<len(text)-1])
# 结巴中文分词
segment_jieba=lambdatext:" ".join(jieba.cut(text))
'''
1、加载语料
'''
corpus=[]
withopen("sanhu.txt","r",encoding="utf-8")asf:
forlineinf:
# 去掉标点符号
corpus.append(segment_jieba(remove_punc(line.strip())))
'''
代码中定义了两种分词方式,一种是单纯的使用bi-gram分词,一种是使用jieba进行中文分词,两份分词方式根据效果自己选择使用哪种。加载语料的时候把标点符号去掉,这对于文本聚类几乎没有作用。还可以去掉自己定义的一些类似“你”、“我”、“他”等大量口语化中均会出现的停止词,这类词语往往对聚类也起不到作用。
计算TF-IDF权重
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
'''
2、计算tf-idf设为权重
'''
vectorizer=CountVectorizer()
transformer=TfidfTransformer()
tfidf=transformer.fit_transform(vectorizer.fit_transform(corpus))
'''
3、获取词袋模型中的所有词语特征
如果特征数量非常多的情况下可以按照权重降维
'''
word=vectorizer.get_feature_names()
print("word feature length: {}".format(len(word)))
'''
4、导出权重,到这边就实现了将文字向量化的过程,矩阵中的每一行就是一个文档的向量表示
'''
tfidf_weight=tfidf.toarray()
关于TF-IDF网上有很多教程都有详细的解释。这里解释下为什么用这个值作为权重。
将文本向量化的方式其实有很多,最简单的就是one-hot方式,在之前的文章中也讲过这种方式的实现原理,如果不用TF-IDF设置权重,那么,后面进行文本向量化之后的矩阵值只有0、1两种,词与词之间的权重没有进行区分,所以用这种方式设置权重。
文本聚类
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
'''
5、对向量进行聚类
'''
# 指定分成7个类
kmeans=KMeans(n_clusters=7)
kmeans.fit(tfidf_weight)
# 打印出各个族的中心点
print(kmeans.cluster_centers_)
forindex,labelinenumerate(kmeans.labels_,1):
print("index: {}, label: {}".format(index,label))
# 样本距其最近的聚类中心的平方距离之和,用来评判分类的准确度,值越小越好
# k-means的超参数n_clusters可以通过该值来评估
print("inertia: {}".format(kmeans.inertia_))
k-means的缺陷之一就是需要自己指定需要分类的族数,也就是代码中的n_clusters,选择超参数的过程中,可以使用kmeans.inertia_值作为评估标准,其值越小越好。
可视化
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
'''
6、可视化
'''
# 使用T-SNE算法,对权重进行降维,准确度比PCA算法高,但是耗时长
tsne=TSNE(n_components=2)
decomposition_data=tsne.fit_transform(tfidf_weight)
x=[]
y=[]
foriindecomposition_data:
x.append(i[0])
y.append(i[1])
fig=plt.figure(figsize=(10,10))
ax=plt.axes()
plt.scatter(x,y,c=kmeans.labels_,marker="x")
plt.xticks(())
plt.yticks(())
# plt.show()
plt.savefig('./sample.png',aspect=1)
前面将文本向量化之后,每个文档的维度非常高,进行可视化之前需要对其降维,降维算法也有很多,这里使用T-SNE算法,其优点就是准确度比较高,但是耗时比较长,如果接受不了耗时长,可以使用PCA算法。
对降维后的数据decomposition_data用plt进行可视化。
效果显示