用Python給文本創(chuàng)立向量空間模型的教程

我們需要開始思考如何將文本集合轉(zhuǎn)化為可量化的東西。最簡(jiǎn)單的方法是考慮詞頻。

我將盡量嘗試不使用NLTK和Scikits-Learn包。我們首先使用Python講解一些基本概念。

基本詞頻

首先，我們回顧一下如何得到每篇文檔中的詞的個(gè)數(shù)：一個(gè)詞頻向量。

#examples taken from here: http://stackoverflow.com/a/1750187
 
mydoclist = ['Julie loves me more than Linda loves me',
'Jane likes me more than Julie loves me',
'He likes basketball more than baseball']
 
#mydoclist = ['sun sky bright', 'sun sun bright']
 
from collections import Counter
 
for doc in mydoclist:
  tf = Counter()
  for word in doc.split():
    tf[word] +=1
  print tf.items()
 
[('me', 2), ('Julie', 1), ('loves', 2), ('Linda', 1), ('than', 1), ('more', 1)]
[('me', 2), ('Julie', 1), ('likes', 1), ('loves', 1), ('Jane', 1), ('than', 1), ('more', 1)]
[('basketball', 1), ('baseball', 1), ('likes', 1), ('He', 1), ('than', 1), ('more', 1)]

這里我們引入了一個(gè)新的Python對(duì)象，被稱作為Counter。該對(duì)象只在Python2.7及更高的版本中有效。Counters非常的靈活，利用它們你可以完成這樣的功能：在一個(gè)循環(huán)中進(jìn)行計(jì)數(shù)。

根據(jù)每篇文檔中詞的個(gè)數(shù)，我們進(jìn)行了文檔量化的第一個(gè)嘗試。但對(duì)于那些已經(jīng)學(xué)過(guò)向量空間模型中“向量”概念的人來(lái)說(shuō)，第一次嘗試量化的結(jié)果不能進(jìn)行比較。這是因?yàn)樗鼈儾辉谕辉~匯空間中。

我們真正想要的是，每一篇文件的量化結(jié)果都有相同的長(zhǎng)度，而這里的長(zhǎng)度是由我們語(yǔ)料庫(kù)的詞匯總量決定的。

我們的詞向量為[me, basketball, Julie, baseball, likes, loves, Jane, Linda, He, than, more]

文檔”Julie loves me more than Linda loves me”的詞頻向量為：[2, 0, 1, 0, 0, 2, 0, 1, 0, 1, 1]

文檔”Jane likes me more than Julie loves me”的詞頻向量為：[2, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1]

文檔”He likes basketball more than baseball”的詞頻向量為：[0, 1, 0, 1, 1, 0, 0, 0, 1, 1, 1]

合在一起，就是我們主文檔的詞矩陣：

[[2, 0, 1, 0, 0, 2, 0, 1, 0, 1, 1], [2, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1], [0, 1, 0, 1, 1, 0, 0, 0, 1, 1, 1]]

好吧，這看起來(lái)似乎很合理。如果你有任何機(jī)器學(xué)習(xí)的經(jīng)驗(yàn)，你剛剛看到的是建立一個(gè)特征空間?，F(xiàn)在每篇文檔都在相同的特征空間中，這意味著我們可以在同樣維數(shù)的空間中表示整個(gè)語(yǔ)料庫(kù)，而不會(huì)丟失太多信息。

標(biāo)準(zhǔn)化向量，使其L2范數(shù)為1

一旦你在同一個(gè)特征空間中得到了數(shù)據(jù)，你就可以開始應(yīng)用一些機(jī)器學(xué)習(xí)方法：分類、聚類等等。但實(shí)際上，我們同樣遇到一些問(wèn)題。單詞并不都包含相同的信息。

如果有些單詞在一個(gè)單一的文件中過(guò)于頻繁地出現(xiàn)，它們將擾亂我們的分析。我們想要對(duì)每一個(gè)詞頻向量進(jìn)行比例縮放，使其變得更具有代表性。換句話說(shuō)，我們需要進(jìn)行向量標(biāo)準(zhǔn)化。

我們真的沒有時(shí)間過(guò)多地討論關(guān)于這方面的數(shù)學(xué)知識(shí)?，F(xiàn)在僅僅接受這樣一個(gè)事實(shí)：我們需要確保每個(gè)向量的L2范數(shù)等于1。這里有一些代碼，展示這是如何實(shí)現(xiàn)的。

格式化后的舊的文檔詞矩陣：

按行計(jì)算的L2范數(shù)為1的文檔詞矩陣：

還不錯(cuò)，沒有太深究線性代數(shù)的知識(shí)，你就可以馬上看到我們按比例縮小了各個(gè)向量，使它們的每一個(gè)元素都在0到1之間，并且不會(huì)丟失太多有價(jià)值的信息。你看到了，一個(gè)計(jì)數(shù)為1的詞在一個(gè)向量中的值和其在另一個(gè)向量中的值不再相同。

為什么我們關(guān)心這種標(biāo)準(zhǔn)化嗎？考慮這種情況，如果你想讓一個(gè)文檔看起來(lái)比它實(shí)際上和一個(gè)特定主題更相關(guān)，你可能會(huì)通過(guò)不斷重復(fù)同一個(gè)詞，來(lái)增加它包含到一個(gè)主題的可能性。坦率地說(shuō)，在某種程度上，我們得到了一個(gè)在該詞的信息價(jià)值上衰減的結(jié)果。所以我們需要按比例縮小那些在一篇文檔中頻繁出現(xiàn)的單詞的值。

IDF頻率加權(quán)

我們現(xiàn)在還沒有得到想要的結(jié)果。就像一篇文檔中的所有單詞不具有相同的價(jià)值一樣，也不是全部文檔中的所有單詞都有價(jià)值。我們嘗試?yán)梅次臋n詞頻（IDF）調(diào)整每一個(gè)單詞權(quán)重。我們看看這包含了些什么：

print'The inverse document frequency vector is ['+', '.join(format(freq,'f')f

我們的詞向量為[me, basketball, Julie, baseball, likes, loves, Jane, Linda, He, than, more]

反文檔詞頻向量為[1.609438, 1.386294, 1.609438, 1.386294, 1.609438, 1.609438, 1.386294, 1.386294, 1.386294, 1.791759, 1.791759]

現(xiàn)在，對(duì)于詞匯中的每一個(gè)詞，我們都有一個(gè)常規(guī)意義上的信息值，用于解釋他們?cè)谡麄€(gè)語(yǔ)料庫(kù)中的相對(duì)頻率?；叵胍幌?，這個(gè)信息值是一個(gè)“逆”！即信息值越小的詞，它在語(yǔ)料庫(kù)中出現(xiàn)的越頻繁。

我們快得到想要的結(jié)果了。為了得到TF-IDF加權(quán)詞向量，你必須做一個(gè)簡(jiǎn)單的計(jì)算：tf * idf。

現(xiàn)在讓我們退一步想想。回想下線性代數(shù)：如果你用一個(gè)AxB的向量乘以另一個(gè)AxB的向量，你將得到一個(gè)大小為AxA的向量，或者一個(gè)標(biāo)量。我們不會(huì)那么做，因?yàn)槲覀兿胍氖且粋€(gè)具有相同維度(1 x詞數(shù)量)的詞向量，向量中的每個(gè)元素都已經(jīng)被自己的idf權(quán)重加權(quán)了。我們?nèi)绾卧赑ython中實(shí)現(xiàn)這樣的計(jì)算呢？

在這里我們可以編寫完整的函數(shù)，但我們不那么做，我們將要對(duì)numpy做一個(gè)簡(jiǎn)介。
 

太棒了！現(xiàn)在我們已經(jīng)將IDF向量轉(zhuǎn)化為BxB的矩陣了，矩陣的對(duì)角線就是IDF向量。這意味著我們現(xiàn)在可以用反文檔詞頻矩陣乘以每一個(gè)詞頻向量了。接著，為了確保我們也考慮那些過(guò)于頻繁地出現(xiàn)在文檔中的詞，我們將對(duì)每篇文檔的向量進(jìn)行標(biāo)準(zhǔn)化，使其L2范數(shù)等于1。

太棒了！你剛看到了一個(gè)展示如何繁瑣地建立一個(gè)TF-IDF加權(quán)的文檔詞矩陣的例子。

最好的部分來(lái)了：你甚至不需要手動(dòng)計(jì)算上述變量，使用scikit-learn即可。

記住，Python中的一切都是一個(gè)對(duì)象，對(duì)象本身占用內(nèi)存，同時(shí)對(duì)象執(zhí)行操作占用時(shí)間。使用scikit-learn包，以確保你不必?fù)?dān)心前面所有步驟的效率問(wèn)題。

注意：你從TfidfVectorizer/TfidfTransformer得到的值將和我們手動(dòng)計(jì)算的值不同。這是因?yàn)閟cikit-learn使用一個(gè)Tfidf的改進(jìn)版本處理除零的錯(cuò)誤。這里有一個(gè)更深入的討論。

實(shí)際上，你可以用一個(gè)函數(shù)完成所有的步驟：TfidfVectorizer

from sklearn.feature_extraction.text import TfidfVectorizer
 
tfidf_vectorizer = TfidfVectorizer(min_df = 1)
tfidf_matrix = tfidf_vectorizer.fit_transform(mydoclist)
 
print tfidf_matrix.todense()
    
[[ 0. 0. 0. 0. 0.28945906 0.
0.38060387 0.57891811 0.57891811 0.22479078 0.22479078]
[ 0. 0. 0. 0.41715759 0.3172591 0.3172591
0. 0.3172591 0.6345182 0.24637999 0.24637999]
[ 0.48359121 0.48359121 0.48359121 0. 0. 0.36778358
0. 0. 0. 0.28561676 0.28561676]]

并且我們可以利用這個(gè)詞匯空間處理新的觀測(cè)文檔，就像這樣：

new_docs = ['He watches basketball and baseball', 'Julie likes to play basketball', 'Jane loves to play baseball']
new_term_freq_matrix = tfidf_vectorizer.transform(new_docs)
print tfidf_vectorizer.vocabulary_
print new_term_freq_matrix.todense()

{u'me': 8, u'basketball': 1, u'julie': 4, u'baseball': 0, u'likes': 5, u'loves': 7, u'jane': 3, u'linda': 6, u'more': 9, u'than': 10, u'he': 2}
[[ 0.57735027 0.57735027 0.57735027 0. 0. 0. 0.
0. 0. 0. 0. ]
[ 0. 0.68091856 0. 0. 0.51785612 0.51785612
0. 0. 0. 0. 0. ]
[ 0.62276601 0. 0. 0.62276601 0. 0. 0.
0.4736296 0. 0. 0. ]]

請(qǐng)注意，在new_term_freq_matrix中并沒有“watches”這樣的單詞。這是因?yàn)槲覀冇糜谟?xùn)練的文檔是mydoclist中的文檔，這個(gè)詞并不會(huì)出現(xiàn)在那個(gè)語(yǔ)料庫(kù)的詞匯中。換句話說(shuō)，它在我們的詞匯詞典之外。

回到Amazon評(píng)論文本

練習(xí)2

現(xiàn)在是時(shí)候嘗試使用你學(xué)過(guò)的東西了。利用TfidfVectorizer，你可以在Amazon評(píng)論文本的字符串列表上嘗試建立一個(gè)TF-IDF加權(quán)文檔詞矩。