本文是对于基于 Python 进行简单自然语言处理任务的介绍，本文的所有代码放置在 这里 。建议前置阅读 Python 语法速览与机器学习开发环境搭建 ，更多机器学习资料参考 机器学习、深度学习与自然语言处理领域推荐的书籍列表 以及 面向程序猿的数据科学与机器学习知识体系及资料合集 。

 

Twenty News Group 语料集处理

 

20 Newsgroup 数据集包含了约 20000 篇来自于不同的新闻组的文档，最早由 Ken Lang 搜集整理。本部分包含了对于数据集的抓取、特征提取、简单分类器训练、主题模型训练等。本部分代码包括主要的处理代码 封装库 与 基于 Notebook 的交互示范 。我们首先需要进行数据抓取：

 

def fetch_data(self, subset='train', categories=None):

        """return data

        执行数据抓取操作

        Arguments:

        subset -> string -- 抓取的目标集合 train / test / all

        """

        rand = np.random.mtrand.RandomState(8675309)

        data = fetch_20newsgroups(subset=subset,

                                  categories=categories,

                                  shuffle=True,

                                  random_state=rand)

 

        self.data[subset] = data

然后在 Notebook 中交互查看数据格式：

 

# 实例化对象

twp = TwentyNewsGroup()

# 抓取数据

twp.fetch_data()

twenty_train = twp.data['train']

print("数据集结构", "->", twenty_train.keys())

print("文档数目", "->", len(twenty_train.data))

print("目标分类", "->",[ twenty_train.target_names[t] for t in twenty_train.target[:10]])

 

数据集结构 -> dict_keys(['data', 'filenames', 'target_names', 'target', 'DESCR', 'description'])

文档数目 -> 11314

目标分类 -> ['sci.space', 'comp.sys.mac.hardware', 'sci.electronics', 'comp.sys.mac.hardware', 'sci.space', 'rec.sport.hockey', 'talk.religion.misc', 'sci.med', 'talk.religion.misc', 'talk.politics.guns']

接下来我们可以对语料集中的特征进行提取：

 

# 进行特征提取

 

# 构建文档-词矩阵（Document-Term Matrix）

 

from sklearn.feature_extraction.text import CountVectorizer

 

count_vect = CountVectorizer()

 

X_train_counts = count_vect.fit_transform(twenty_train.data)

 

print("DTM 结构","->",X_train_counts.shape)

 

# 查看某个词在词表中的下标

print("词对应下标","->", count_vect.vocabulary_.get(u'algorithm'))

 

DTM 结构 -> (11314, 130107)

词对应下标 -> 27366

为了将文档用于进行分类任务，还需要使用 TF-IDF 等常见方法将其转化为特征向量：

 

# 构建文档的 TF 特征向量

from sklearn.feature_extraction.text import TfidfTransformer

 

tf_transformer = TfidfTransformer(use_idf=False).fit(X_train_counts)

X_train_tf = tf_transformer.transform(X_train_counts)

 

print("某文档 TF 特征向量","->",X_train_tf)

 

# 构建文档的 TF-IDF 特征向量

from sklearn.feature_extraction.text import TfidfTransformer

 

tf_transformer = TfidfTransformer().fit(X_train_counts)

X_train_tfidf = tf_transformer.transform(X_train_counts)

 

print("某文档 TF-IDF 特征向量","->",X_train_tfidf)

 

某文档 TF 特征向量 ->   (0, 6447)    0.0380693493813

  (0, 37842)    0.0380693493813

我们可以将特征提取、分类器训练与预测封装为单独函数：

 

def extract_feature(self):

        """

        从语料集中抽取文档特征

        """

 

        # 获取训练数据的文档-词矩阵

        self.train_dtm = self.count_vect.fit_transform(self.data['train'].data)

 

        # 获取文档的 TF 特征

 

        tf_transformer = TfidfTransformer(use_idf=False)

 

        self.train_tf = tf_transformer.transform(self.train_dtm)

 

        # 获取文档的 TF-IDF 特征

 

        tfidf_transformer = TfidfTransformer().fit(self.train_dtm)

 

        self.train_tfidf = tf_transformer.transform(self.train_dtm)

 

    def train_classifier(self):

        """

        从训练集中训练出分类器

        """

 

        self.extract_feature();

 

        self.clf = MultinomialNB().fit(

            self.train_tfidf, self.data['train'].target)

 

    def predict(self, docs):

        """

        从训练集中训练出分类器

        """

 

        X_new_counts = self.count_vect.transform(docs)

 

        tfidf_transformer = TfidfTransformer().fit(X_new_counts)

        

        X_new_tfidf = tfidf_transformer.transform(X_new_counts)

 

        return self.clf.predict(X_new_tfidf)

然后执行训练并且进行预测与评价：

 

# 训练分类器

twp.train_classifier()

 

# 执行预测

docs_new = ['God is love', 'OpenGL on the GPU is fast']

predicted = twp.predict(docs_new)

 

for doc, category in zip(docs_new, predicted):

    print('%r => %s' % (doc, twenty_train.target_names[category]))

    

# 执行模型评测

twp.fetch_data(subset='test')

 

predicted = twp.predict(twp.data['test'].data)

 

import numpy as np

 

# 误差计算

 

# 简单误差均值

np.mean(predicted == twp.data['test'].target)   

 

# Metrics

 

from sklearn import metrics

 

print(metrics.classification_report(

    twp.data['test'].target, predicted,

    target_names=twp.data['test'].target_names))

 

# Confusion Matrix

metrics.confusion_matrix(twp.data['test'].target, predicted)

 

'God is love' => soc.religion.christian

'OpenGL on the GPU is fast' => rec.autos

                          precision    recall  f1-score   support

 

             alt.atheism       0.79      0.50      0.61       319

           ...

      talk.religion.misc       1.00      0.08      0.15       251

 

             avg / total       0.82      0.79      0.77      7532

 

Out[16]:

array([[158,   0,   1,   1,   0,   1,   0,   3,   7,   1,   2,   6,   1,

          8,   3, 114,   6,   7,   0,   0],

       ...

       [ 35,   3,   1,   0,   0,   0,   1,   4,   1,   1,   6,   3,   0,

          6,   5, 127,  30,   5,   2,  21]])

我们也可以对文档集进行主题提取：

 

# 进行主题提取

 

twp.topics_by_lda()

 

Topic 0 : stream s1 astronaut zoo laurentian maynard s2 gtoal pem fpu

Topic 1 : 145 cx 0d bh sl 75u 6um m6 sy gld

Topic 2 : apartment wpi mars nazis monash palestine ottoman sas winner gerard

Topic 3 : livesey contest satellite tamu mathew orbital wpd marriage solntze pope

Topic 4 : x11 contest lib font string contrib visual xterm ahl brake

Topic 5 : ax g9v b8f a86 1d9 pl 0t wm 34u giz

Topic 6 : printf null char manes behanna senate handgun civilians homicides magpie

Topic 7 : buf jpeg chi tor bos det que uwo pit blah

Topic 8 : oracle di t4 risc nist instruction msg postscript dma convex

Topic 9 : candida cray yeast viking dog venus bloom symptoms observatory roby

Topic 10 : cx ck hz lk mv cramer adl optilink k8 uw

Topic 11 : ripem rsa sandvik w0 bosnia psuvm hudson utk defensive veal

Topic 12 : db espn sabbath br widgets liar davidian urartu sdpa cooling

Topic 13 : ripem dyer ucsu carleton adaptec tires chem alchemy lockheed rsa

Topic 14 : ingr sv alomar jupiter borland het intergraph factory paradox captain

Topic 15 : militia palestinian cpr pts handheld sharks igc apc jake lehigh

Topic 16 : alaska duke col russia uoknor aurora princeton nsmca gene stereo

Topic 17 : uuencode msg helmet eos satan dseg homosexual ics gear pyron

Topic 18 : entries myers x11r4 radar remark cipher maine hamburg senior bontchev

Topic 19 : cubs ufl vitamin temple gsfc mccall astro bellcore uranium wesleyan

常见自然语言处理工具封装

 

经过上面对于 20NewsGroup 语料集处理的介绍我们可以发现常见自然语言处理任务包括，数据获取、数据预处理、数据特征提取、分类模型训练、主题模型或者词向量等高级特征提取等等。笔者还习惯用 python-fire 将类快速封装为可通过命令行调用的工具，同时也支持外部模块调用使用。本部分我们主要以中文语料集为例，譬如我们需要对中文维基百科数据进行分析，可以使用 gensim 中的 维基百科处理类 ：

 

class Wiki(object):

    """

    维基百科语料集处理

    """

    

    def wiki2texts(self, wiki_data_path, wiki_texts_path='./wiki_texts.txt'):

        """

        将维基百科数据转化为文本数据

        Arguments:

        wiki_data_path -- 维基压缩文件地址

        """

        if not wiki_data_path:

            print("请输入 Wiki 压缩文件路径或者前往 https://dumps.wikimedia.org/zhwiki/ 下载")

            exit()

 

        # 构建维基语料集

        wiki_corpus = WikiCorpus(wiki_data_path, dictionary={})

        texts_num = 0

 

        with open(wiki_text_path, 'w', encoding='utf-8') as output:

            for text in wiki_corpus.get_texts():

                output.write(b' '.join(text).decode('utf-8') + '\n')

                texts_num += 1

                if texts_num % 10000 == 0:

                    logging.info("已处理 %d 篇文章" % texts_num)

 

        print("处理完毕，请使用 OpenCC 转化为简体字")

抓取完毕后，我们还需要用 OpenCC 转化为简体字。抓取完毕后我们可以使用结巴分词对生成的文本文件进行分词，代码参考 这里 ，我们直接使用 python chinese_text_processor.py tokenize_file /output.txt 直接执行该任务并且生成输出文件。获取分词之后的文件，我们可以将其转化为简单的词袋表示或者文档-词向量，详细代码参考 这里 ：

 

class CorpusProcessor:

    """

    语料集处理

    """

 

    def corpus2bow(self, tokenized_corpus=default_documents):

        """returns (vocab,corpus_in_bow)

        将语料集转化为 BOW 形式

        Arguments:

        tokenized_corpus -- 经过分词的文档列表

        Return:

        vocab -- {'human': 0, ... 'minors': 11}

        corpus_in_bow -- [[(0, 1), (1, 1), (2, 1)]...]

        """

        dictionary = corpora.Dictionary(tokenized_corpus)

 

        # 获取词表

        vocab = dictionary.token2id

 

        # 获取文档的词袋表示

        corpus_in_bow = [dictionary.doc2bow(text) for text in tokenized_corpus]

 

        return (vocab, corpus_in_bow)

 

    def corpus2dtm(self, tokenized_corpus=default_documents, min_df=10, max_df=100):

        """returns (vocab, DTM)

        将语料集转化为文档-词矩阵

        - dtm -> matrix: 文档-词矩阵

                I    like    hate    databases

        D1    1      1          0            1

        D2    1      0          1            1

        """

 

        if type(tokenized_corpus[0]) is list:

            documents = [" ".join(document) for document in tokenized_corpus]

        else:

            documents = tokenized_corpus

 

        if max_df == -1:

            max_df = round(len(documents) / 2)

 

        # 构建语料集统计向量

        vec = CountVectorizer(min_df=min_df,

                              max_df=max_df,

                              analyzer="word",

                              token_pattern="[\S]+",

                              tokenizer=None,

                              preprocessor=None,

                              stop_words=None

                              )

 

        # 对于数据进行分析

        DTM = vec.fit_transform(documents)

 

        # 获取词表

        vocab = vec.get_feature_names()

 

        return (vocab, DTM)

我们也可以对分词之后的文档进行主题模型或者词向量提取，这里使用分词之后的文件就可以忽略中英文的差异：

 

def topics_by_lda(self, tokenized_corpus_path, num_topics=20, num_words=10, max_lines=10000, split="\s+", max_df=100):

        """

        读入经过分词的文件并且对其进行 LDA 训练

        Arguments:

        tokenized_corpus_path -> string -- 经过分词的语料集地址

        num_topics -> integer -- 主题数目

        num_words -> integer -- 主题词数目

        max_lines -> integer -- 每次读入的最大行数

        split -> string -- 文档的词之间的分隔符

        max_df -> integer -- 避免常用词，过滤超过该阈值的词

        """

 

        # 存放所有语料集信息

        corpus = []

 

        with open(tokenized_corpus_path, 'r', encoding='utf-8') as tokenized_corpus:

 

            flag = 0

 

            for document in tokenized_corpus:

 

                # 判断是否读取了足够的行数

                if(flag > max_lines):

                    break

 

                # 将读取到的内容添加到语料集中

                corpus.append(re.split(split, document))

 

                flag = flag + 1

 

        # 构建语料集的 BOW 表示

        (vocab, DTM) = self.corpus2dtm(corpus, max_df=max_df)

 

        # 训练 LDA 模型

 

        lda = LdaMulticore(

            matutils.Sparse2Corpus(DTM, documents_columns=False),

            num_topics=num_topics,

            id2word=dict([(i, s) for i, s in enumerate(vocab)]),

            workers=4

        )

 

        # 打印并且返回主题数据

        topics = lda.show_topics(

            num_topics=num_topics,

            num_words=num_words,

            formatted=False,

            log=False)

 

        for ti, topic in enumerate(topics):

            print("Topic", ti, ":", " ".join(word[0] for word in topic[1]))

该函数同样可以使用命令行直接调用，传入分词之后的文件。我们也可以对其语料集建立词向量，代码参考 这里 ；如果对于词向量基本使用尚不熟悉的同学可以参考 基于 Gensim 的 Word2Vec 实践 ：

 

def wv_train(self, tokenized_text_path, output_model_path='./wv_model.bin'):

        """

        对于文本进行词向量训练，并将输出的词向量保存

        """

 

        sentences = word2vec.Text8Corpus(tokenized_text_path)

 

        # 进行模型训练

        model = word2vec.Word2Vec(sentences, size=250)

 

        # 保存模型

        model.save(output_model_path)

 

    def wv_visualize(self, model_path, word=["中国", "航空"]):

        """

        根据输入的词搜索邻近词然后可视化展示

        参数：

            model_path: Word2Vec 模型地址

        """

 

        # 加载模型

        model = word2vec.Word2Vec.load(model_path)

 

        # 寻找出最相似的多个词

        words = [wp[0] for wp in model.most_similar(word, topn=20)]

 

        # 提取出词对应的词向量

        wordsInVector = [model[word] for word in words]

 

        # 进行 PCA 降维

        pca = PCA(n_components=2)

        pca.fit(wordsInVector)

        X = pca.transform(wordsInVector)

 

        # 绘制图形

        xs = X[:, 0]

        ys = X[:, 1]

 

        plt.figure(figsize=(12, 8))

        plt.scatter(xs, ys, marker='o')

 

        # 遍历所有的词添加点注释

        for i, w in enumerate(words):

            plt.annotate(

                w,

                xy=(xs[i], ys[i]), xytext=(6, 6),

                textcoords='offset points', ha='left', va='top',

                **dict(fontsize=10)

            )

        plt.show()