NLP（五）關鍵詞提取補充（語料庫和向量空間）

一、將語料庫轉化為向量（gensim）

在對語料庫進行基本的處理後（分詞，去停用詞），有時需要將它進行向量化，便於後續的工作。

from gensim import
corpora,similarities,models
import
jieba
#第一步：確定語料庫的語料和要進行判斷的句子：
#wordlist作為語料庫，語料庫中有三句話，相當於三篇文章.
wordlist=['
我喜歡程式設計
','我想變漂亮
','今天吃午飯了嗎']
sentenses='
我喜歡什麼'#
第二步：使用語料庫建立詞典，也就是給預料庫中的每個單詞標上序號，類似：首先進行中文分詞
text=[[word for word  in jieba.cut(words) ]for words in
wordlist]
dictionary =corpora.dictionary(text)#這一步給每個詞賦予了編號
print
(dictionary)
#第三步，對語料中的每個詞進行詞頻統計,doc2bow是對每一句話進行詞頻統計，傳入的是乙個list
#corpus得到的是乙個二維陣列[[(0, 1), (1, 1), (2, 1)], [(3, 1), (4, 1)], [(5, 1), (6, 1), (7, 1), (8, 1), (9, 1)]]，意思是編號為0的詞出現的頻率是1次，編號為2的詞出現的頻率是1次
corpus=[dictionary.doc2bow(word) for word in
text]#這一步將用字串表示的文件轉換為用詞id和詞頻來表示
print(corpus)#（詞的id號，詞頻）

**結果為：

我們利用gensim.corpora.dictionary.dictionary類為每個出現在語料庫中的單詞分配了乙個獨一無二的整數編號。doc2bow函式主要用於讓編了號的語料庫變為bow詞袋模型，對每個不同單詞的出現次數進行了計數，然後以稀疏向量的形式返回結果。上述**的corpus就是語料庫的詞袋模型，其中，每乙個子列表都表示一篇文章。

基於這個處理好了的含有三篇文章的訓練文件，我們可以訓練乙個tfidf模型，就是下面**的第四步；

然後經過第五步，我們將上述用詞頻表示文件向量表示為乙個用tf-idf值表示的文件向量

#
第四步：使用corpus訓練tfidf模型
model=models.tfidfmodel(corpus)
#要是想要看tfidf的值的話可以:
tfidf=model[corpus]
'''tfidf的結果是語料庫中每個詞的tfidf值
[(0, 0.5773502691896258), (1, 0.5773502691896258), (2, 0.5773502691896258)]
[(3, 0.7071067811865475), (4, 0.7071067811865475)]
[(5, 0.4472135954999579), (6, 0.4472135954999579), (7, 0.4472135954999579), (8, 0.4472135954999579), (9, 0.4472135954999579)]
'''#
第五步：為tfidf模型中的每個句子建立索引，便於進行相似度查詢,傳入的時候語料庫的tfidf值
similarity=similarities.matrixsimilarity(tfidf)
#第六步，處理要比較的句子，首先分詞，其次獲得詞頻，jieba只能傳入字串
sen=[word for word in
jieba.cut(sentenses)]
sen2=dictionary.doc2bow(sen)
#然後計算它的tfidf值
sen_tfidf=model[sen2]
#獲得與所有句子的相似度，sim輸出的是乙個陣列
sim=similarity[sen_tfidf]

**中的tfidf，和sen_tfidf結果分別是語料庫和新句子的tfidf向量化表示。很多模型就是基於tf-idf來做的，比如lsi，lda等。現在每個句子就變成了[(詞id號，idf值)，(詞id號，idf值)....]這樣的稀疏表示形式。

然後，基於這個用tfidf值表示的向量，我們又可以訓練乙個lsi模型，有了這個lsi模型，我們就可以將文件對映到乙個二維的topic空間中，**如下：

from gensim import
corpora,similarities,models
import
jieba
documents = ["
shipment of gold damaged in a fire
","delivery of silver arrived in a silver truck
","shipment of gold arrived in a truck"]
texts = [[word for word in document.lower().split()] for document in
documents]
#基於分詞結果，給詞編號，建詞袋模型
dictionary =corpora.dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in
texts]
#基於詞id號和詞頻建tfidf向量
tfidf =models.tfidfmodel(corpus)
corpus_tfidf =tfidf[corpus]
for doc in
corpus_tfidf:
print
(doc)
#基於tfidf向量建lsi模型  
lsi = models.lsimodel(corpus_tfidf, id2word=dictionary, num_topics=2)
corpus_lsi =lsi[corpus_tfidf]
for doc in
corpus_lsi:
print(doc)

結果為：

很奇怪，用英文的話可以顯示出主題1,2的值，但是中文只顯示乙個，是因為lsi本身就不適用中文嗎？

NLP（五）關鍵詞提取補充（語料庫和向量空間）

NLP關鍵詞提取

NLP 關鍵詞提取演算法

NLP學習路徑（五） NLP關鍵詞提取演算法

NLP（五） 關鍵詞提取補充（語料庫和向量空間）

NLP關鍵詞提取

NLP 關鍵詞提取演算法

NLP學習路徑（五） NLP關鍵詞提取演算法

相關推薦

NLP（五）關鍵詞提取補充（語料庫和向量空間）