说明:文章主要对主题内容挖掘的部分问题的提出,并提供自己的意见,仅供参考
案例来源: 宋天龙 - 《python数据分析与数据化运营》
案例背景: 从一堆文件中建立相应主题模型,然后得到不同模型的主题特点,通过对新文本数据集的预测得到其可能的主题分类。
主要应用技术:中文分词,TF-IDF向量空间模型转换,字符串全角转半角,XML文件内容解析,潜在狄利克雷分配模型。
主要库:tarfile,os,jieba,gensim,bs4
文件内容格式:
<doc>
<url>页面URL</url>
<docno>页面ID</docno>
<contenttitle>页面标题</contenttitle>
<content>页面内容</content>
</doc>
附上分析代码
import os
import tarfile
import jieba.posseg as pseg
import joblib
from bs4 import BeautifulSoup
from gensim import corpora, models
# 中文分词
def jieba_cut(text):
'''
词性标注分词
:param text:文本
:return: 分词结果
'''
# print('{:*^60}'.format('正在分词'))
rule_words = ['z', 'vn', 't', 'v', 'nz', 'nr', 'ns', 'n', 'l', 'i'