中文文本聚类（切词以及Kmeans聚类）

简介

一 切词

二 去除停用词

三 构建词袋空间VSMvector space model

四 将单词出现的次数转化为权值TF-IDF

五 用K-means算法进行聚类

六 总结

简介

查看百度搜索

中文文本聚类

我失望的发现，网上竟然没有一个完整的关于python实现的中文文本聚类（乃至搜索关键词

python 中文文本聚类

也是如此），网上大部分是关于文本聚类的Kmeans聚类的

原理

，

Java实现

，

R语言实现

，甚至都有一个

C++的实现

。

正好我写的一些文章，我没能很好的分类，我想能不能通过聚类的方法将一些相似的文章进行聚类，然后我再看每个聚类大概的主题是什么，给每个聚类一个标签，这样也是完成了分类。

中文文本聚类主要有一下几个步骤，下面将分别详细介绍：

切词

去除停用词

构建词袋空间VSM(vector space model)

TF-IDF构建词权重

使用K-means算法

一、 切词

这里中文切词使用的是

结巴切词

，github项目主页，作者微博

github项目主页上有

结巴切词

的详细安装方式，以及示例说明，这里不再详述，一般情况下，可以使用如下方式安装。

# pip install jieba

或者

# easy_install jieba

还可以参考一下文章：

1.Python中文分词组件 jieba

2.python 结巴分词(jieba)学习

二、 去除停用词

结巴分词

虽然有去除停用词的功能，但是好像只是给

jieba.analyse

组建使用的，并不给

jieba.cut

使用，所以这里我们还是要自己构建停用词文件，以及去除停用词。

常见的中文停用词有：

1. 中文停用词表(比较全面,有1208个停用词)

2. 最全中文停用词表整理（1893个）

实现代码如下（代码比较水）：

def read_from_file(file_name):
with open(file_name,"r") as fp:
words = fp.read()
return words
def stop_words(stop_word_file):
words = read_from_file(stop_word_file)
result = jieba.cut(words)
new_words = []
for r in result:
new_words.append(r)
return set(new_words)
def del_stop_words(words,stop_words_set):
#   words是已经切词但是没有去除停用词的文档。
#   返回的会是去除停用词后的文档
result = jieba.cut(words)
new_words = []
for r in result:
if r not in stop_words_set:
new_words.append(r)
return new_words

三、 构建词袋空间VSM(vector space model)

接下来是构建词袋空间，我们的步骤如下

1. 将所有文档读入到程序中，再将每个文档切词。

2. 去除每个文档中的停用词。

3. 统计所有文档的词集合（sk-learn有相关函数，但是我知道能对中文也使用）。

4. 对每个文档，都将构建一个向量，向量的值是

词语

在本文档中出现的次数。

这举个例子，假设有两个文本，1.

我爱上海，我爱中国

2.

中国伟大,上海漂亮

那么切词之后就有一下

词语

：

我

，

爱

，

上海

，

中国

，

伟大

，

漂亮

，

,

(逗号也可能被切词)。

再假设停用词是

我 ，

，那么去除停用词后，剩余的词语就是

爱

，

上海

，

中国

，

伟大

，

漂亮

然后我们对文档1和文档2构建向量，那么向量将如下：

文本	爱	上海	中国	伟大	漂亮
文档1	2	1	1	0	0
文档2	0	1	1	1	1

代码如下：

def get_all_vector(file_path,stop_words_set):
names = [ os.path.join(file_path,f) for f in os.listdir(file_path) ]
posts = [ open(name).read() for name in names ]
docs = []
word_set = set()
for post in posts:
doc = del_stop_words(post,stop_words_set)
docs.append(doc)
word_set |= set(doc)
#print len(doc),len(word_set)

word_set = list(word_set)
docs_vsm = []
#for word in word_set[:30]:
#print word.encode("utf-8"),
for doc in docs:
temp_vector = []
for word in word_set:
temp_vector.append(doc.count(word) * 1.0)
#print temp_vector[-30:-1]
docs_vsm.append(temp_vector)

docs_matrix = np.array(docs_vsm)

在python中表示可能如下

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

，我们尽可能将其放入到numpy的array或者matrix中方便下面TF-IDF的计算。

四、 将单词出现的次数转化为权值（TF-IDF）

换句话说，我们的vsm保存的本来已经是向量的形式，我们为什么还需要TF-IDF的形式呢？我认为这就是为了将单词出现的次数转化为权值。

关于TF-IDF的介绍可以参考网上的文章：

1. 基本文本聚类方法

2. TF-IDF百度百科

3. TF-IDF维基百科英文版(需要翻墙)

这里需要注意的是关于TF(term frequency)的计算，关于IDF(Inverse document frequency)的计算，我看公式基本上都是一样的：

逆向文件频率（inverse document frequency，IDF）是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到：

idf(t,D)=log(N∣d∈D,t∈d∣)

本公式用LaTex编辑，推荐一个令人惊叹的网站：Detexify

其中

N：语料库中的文件总数

∣d∈D,t∈d∣：包含词语的文件数目（即的文件数目）如果该词语不在语料库中，就会导致分母为零，因此一般情况下使用作为分母。

然而百度百科以及网上大部分关于TF的介绍其实是有问题的，TF-IDF百度百科中说词频（term frequency，TF）指的是某一个给定的词语在该文件中出现的频率，那么很明显这个计算公式就为：

tfi,j=ni,j∑knk,j

然而这种计算方式常常会导致TF过小，其实TF-IDF并不是只有一种计算方式，而是多种，这个时候就体现出维基百科的威力了，具体的关于TF-IDF的介绍还是要参照维基百科。

如果不熟悉numpy，可以参考numpy官方文档

column_sum = [ float(len(np.nonzero(docs_matrix[:,i])[0])) for i in range(docs_matrix.shape[1]) ]
column_sum = np.array(column_sum)
column_sum = docs_matrix.shape[0] / column_sum
idf =  np.log(column_sum)
idf =  np.diag(idf)
# 请仔细想想，根绝IDF的定义，计算词的IDF并不依赖于某个文档，所以我们提前计算好。
# 注意一下计算都是矩阵运算，不是单个变量的运算。
for doc_v in docs_matrix:
if doc_v.sum() == 0:
doc_v = doc_v / 1
else:
doc_v = doc_v / (doc_v.sum())
tfidf = np.dot(docs_matrix,idf)
return names,tfidf

现在我们拥有的矩阵的性质如下，

列是所有文档总共的词的集合。

每行代表一个文档。

每行是一个向量，向量的每个值是这个词的权值。

五、 用K-means算法进行聚类

到这个时候，我们可以使用kmeans算法进行聚类，对kmeans算法来说，它看到已经不是文本了，只是矩阵而已，所以我们用的也是通用的kmeans算法就可以了。

关于kmeans的介绍可以见于如下的文章：

1. 基本Kmeans算法介绍及其实现

2. K-means百度百科

3. 浅谈Kmeans聚类

所不同的是，在大部分的文本聚类中，人们通常用余弦距离（很好的介绍文章）而不是欧氏距离进行计算，难道是因为稀疏矩阵的原因，我并不太明白。

下面的代码来自《机器学习实战》第十章的代码：

def gen_sim(A,B):
num = float(np.dot(A,B.T))
denum = np.linalg.norm(A) * np.linalg.norm(B)
if denum == 0:
denum = 1
cosn = num / denum
sim = 0.5 + 0.5 * cosn
return sim
def randCent(dataSet, k):
n = shape(dataSet)[1]
centroids = mat(zeros((k,n)))#create centroid mat
for j in range(n):#create random cluster centers, within bounds of each dimension
minJ = min(dataSet[:,j])
rangeJ = float(max(dataSet[:,j]) - minJ)
centroids[:,j] = mat(minJ + rangeJ * random.rand(k,1))
return centroids

def kMeans(dataSet, k, distMeas=gen_sim, createCent=randCent):
m = shape(dataSet)[0]
clusterAssment = mat(zeros((m,2)))#create mat to assign data points
#to a centroid, also holds SE of each point
centroids = createCent(dataSet, k)
clusterChanged = True
counter = 0
while counter <= 50:
counter += 1
clusterChanged = False
for i in range(m):#for each data point assign it to the closest centroid
minDist = inf;
minIndex = -1
for j in range(k):
distJI = distMeas(centroids[j,:],dataSet[i,:])
if distJI < minDist:
minDist = distJI;
minIndex = j
if clusterAssment[i,0] != minIndex:
clusterChanged = True
clusterAssment[i,:] = minIndex,minDist**2
#print centroids
for cent in range(k):#recalculate centroids
ptsInClust = dataSet[nonzero(clusterAssment[:,0].A==cent)[0]]#get all the point in this cluster
centroids[cent,:] = mean(ptsInClust, axis=0) #assign centroid to mean
return centroids, clusterAssment

六、 总结

基本上到这里为止，一个可用的中文文本聚类工具已经完成了，github项目地址。

其效果到底怎么样呢？

我自己有一些未分类的文章属于

人生感悟

（羞羞脸）类别的共有182篇，在切词以及去除停用词之后，共得到13202个词语，我设置K=10，嗯，效果并不是太好，当然可能有一下原因：

文档本身已经属于高度分类的了，基于词频的聚类并不能发现关于这些文章间的细微的区别。

算法需要优化，可能有些地方可以设置修改一下。

总之，在学习若干天机器学习后，第一次实践之旅算是结束了。

本文转载自：http://blog.csdn.net/likeyiyy/article/details/48982909