快捷導(dǎo)航

Python機(jī)器學(xué)習(xí)NLP自然語(yǔ)言處理基本操作關(guān)鍵詞

更新時(shí)間：2021年09月21日 13:51:09 作者：我是小白呀

本文是Python機(jī)器學(xué)習(xí)NLP自然語(yǔ)言處理系列文章，帶大家開(kāi)啟一段學(xué)習(xí)自然語(yǔ)言處理 (NLP) 的旅程. 本文主要學(xué)習(xí)NLP自然語(yǔ)言處理關(guān)鍵詞的操作

概述

從今天開(kāi)始我們將開(kāi)啟一段自然語(yǔ)言處理 (NLP) 的旅程. 自然語(yǔ)言處理可以讓來(lái)處理, 理解, 以及運(yùn)用人類的語(yǔ)言, 實(shí)現(xiàn)機(jī)器語(yǔ)言和人類語(yǔ)言之間的溝通橋梁.

在這里插入圖片描述

關(guān)鍵詞

關(guān)鍵詞 (keywords), 即關(guān)鍵詞語(yǔ). 關(guān)鍵詞能描述文章的本質(zhì), 在文獻(xiàn)檢索, 自動(dòng)文摘, 文本聚類 / 分類等方面有著重要的應(yīng)用.

在這里插入圖片描述

關(guān)鍵詞抽取的方法

關(guān)鍵詞提取: 針對(duì)新文檔, 通過(guò)算法分析. 提取文檔中一些詞語(yǔ)作為該文檔的關(guān)鍵詞

關(guān)鍵詞分配: 給定已有的關(guān)鍵詞庫(kù), 對(duì)于新來(lái)的文檔從該詞庫(kù)里面分配幾個(gè)詞語(yǔ)作為這篇文檔的關(guān)鍵詞

TF-IDF 關(guān)鍵詞提取

TF-IDF (Term Frequency-Inverse Document Frequency), 即詞頻-逆文件頻率是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權(quán)技術(shù). TF-IDF 可以幫助我們挖掘文章中的關(guān)鍵詞. 通過(guò)數(shù)值統(tǒng)計(jì), 反映一個(gè)詞對(duì)于語(yǔ)料庫(kù)中某篇文章的重要性.

TF

TF (Term Frequency), 即詞頻. 表示詞在文本中出現(xiàn)的頻率.

公式:

在這里插入圖片描述

IDF

IDF (Inverse Document Frequency), 即逆文檔頻率. 表示語(yǔ)料庫(kù)中包含詞的文檔的數(shù)目的倒數(shù).

公式:

在這里插入圖片描述

TF-IDF

公式:

在這里插入圖片描述

TF-IDF = (詞的頻率 / 句子總字?jǐn)?shù)) × (總文檔數(shù) / 包含該詞的文檔數(shù))

如果一個(gè)詞非常常見(jiàn), 那么 IDF 就會(huì)很低, 反之就會(huì)很高. TF-IDF 可以幫助我們過(guò)濾常見(jiàn)詞語(yǔ), 提取關(guān)鍵詞.

jieba TF-IDF 關(guān)鍵詞抽取

格式:

jieba.analyse.extract_tags(sentence, topK=20, withWeight=False, allowPOS=())

參數(shù):

sentence: 待提取的文本語(yǔ)料

topK: 返回的關(guān)鍵詞個(gè)數(shù), 默認(rèn)為 20

withWeight: 是否需要返回關(guān)鍵詞權(quán)重, 默認(rèn)為 False

allowPOS: 僅包括指定詞性的詞, 默認(rèn)為空, 即不篩選

jieba 詞性

編號(hào)	詞性	描述
Ag	形語(yǔ)素	形容詞性語(yǔ)素。形容詞代碼為 a，語(yǔ)素代碼ｇ前面置以A。
a	形容詞	取英語(yǔ)形容詞 adjective的第1個(gè)字母。
ad	副形詞	直接作狀語(yǔ)的形容詞。形容詞代碼 a和副詞代碼d并在一起。
an	名形詞	具有名詞功能的形容詞。形容詞代碼 a和名詞代碼n并在一起。
b	區(qū)別詞	取漢字“別”的聲母。
c	連詞	取英語(yǔ)連詞 conjunction的第1個(gè)字母。
dg	副語(yǔ)素	副詞性語(yǔ)素。副詞代碼為 d，語(yǔ)素代碼ｇ前面置以D。
d	副詞	取 adverb的第2個(gè)字母，因其第1個(gè)字母已用于形容詞。
e	嘆詞	取英語(yǔ)嘆詞 exclamation的第1個(gè)字母。
f	方位詞	取漢字“方”
g	語(yǔ)素	絕大多數(shù)語(yǔ)素都能作為合成詞的“詞根”，取漢字“根”的聲母。
h	前接成分	取英語(yǔ) head的第1個(gè)字母。
i	成語(yǔ)	取英語(yǔ)成語(yǔ) idiom的第1個(gè)字母。
j	簡(jiǎn)稱略語(yǔ)	取漢字“簡(jiǎn)”的聲母。
k	后接成分
l	習(xí)用語(yǔ)	習(xí)用語(yǔ)尚未成為成語(yǔ)，有點(diǎn)“臨時(shí)性”，取“臨”的聲母。
m	數(shù)詞	取英語(yǔ) numeral的第3個(gè)字母，n，u已有他用。
Ng	名語(yǔ)素	名詞性語(yǔ)素。名詞代碼為 n，語(yǔ)素代碼ｇ前面置以N。
n	名詞	取英語(yǔ)名詞 noun的第1個(gè)字母。
nr	人名	名詞代碼 n和“人(ren)”的聲母并在一起。
ns	地名	名詞代碼 n和處所詞代碼s并在一起。
nt	機(jī)構(gòu)團(tuán)體	“團(tuán)”的聲母為 t，名詞代碼n和t并在一起。
nz	其他專名	“?！钡穆暷傅牡?1個(gè)字母為z，名詞代碼n和z并在一起。
o	擬聲詞	取英語(yǔ)擬聲詞 onomatopoeia的第1個(gè)字母。
p	介詞	取英語(yǔ)介詞 prepositional的第1個(gè)字母。
q	量詞	取英語(yǔ) quantity的第1個(gè)字母。
r	代詞	取英語(yǔ)代詞 pronoun的第2個(gè)字母,因p已用于介詞。
s	處所詞	取英語(yǔ) space的第1個(gè)字母。
tg	時(shí)語(yǔ)素	時(shí)間詞性語(yǔ)素。時(shí)間詞代碼為 t,在語(yǔ)素的代碼g前面置以T。
t	時(shí)間詞	取英語(yǔ) time的第1個(gè)字母。
u	助詞	取英語(yǔ)助詞 auxiliary
vg	動(dòng)語(yǔ)素	動(dòng)詞性語(yǔ)素。動(dòng)詞代碼為 v。在語(yǔ)素的代碼g前面置以V。
v	動(dòng)詞	取英語(yǔ)動(dòng)詞 verb的第一個(gè)字母。
vd	副動(dòng)詞	直接作狀語(yǔ)的動(dòng)詞。動(dòng)詞和副詞的代碼并在一起。
vn	名動(dòng)詞	指具有名詞功能的動(dòng)詞。動(dòng)詞和名詞的代碼并在一起。
w	標(biāo)點(diǎn)符號(hào)
x	非語(yǔ)素字	非語(yǔ)素字只是一個(gè)符號(hào)，字母 x通常用于代表未知數(shù)、符號(hào)。
y	語(yǔ)氣詞	取漢字“語(yǔ)”的聲母。
z	狀態(tài)詞	取漢字“狀”的聲母的前一個(gè)字母。
un	未知詞

不帶關(guān)鍵詞權(quán)重

例子:

import jieba.analyse
# 定義文本
text = "自然語(yǔ)言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。" \
       "它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法。" \
       "自然語(yǔ)言處理是一門融語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此，這一領(lǐng)域的研究將涉及自然語(yǔ)言，即人們?nèi)粘Ｊ褂玫恼Z(yǔ)言，" \
       "所以它與語(yǔ)言學(xué)的研究有著密切的聯(lián)系，但又有重要的區(qū)別。" \
       "自然語(yǔ)言處理并不是一般地研究自然語(yǔ)言，" \
       "而在于研制能有效地實(shí)現(xiàn)自然語(yǔ)言通信的計(jì)算機(jī)系統(tǒng)，特別是其中的軟件系統(tǒng)。" \
       "因而它是計(jì)算機(jī)科學(xué)的一部分"
# 提取關(guān)鍵詞
keywords = jieba.analyse.extract_tags(text, topK=20, withWeight=False)
# 調(diào)試輸出
print([i for i in keywords])

輸出結(jié)果:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
Loading model cost 0.890 seconds.
Prefix dict has been built successfully.
['自然語(yǔ)言', '計(jì)算機(jī)科學(xué)', '語(yǔ)言學(xué)', '研究', '領(lǐng)域', '處理', '通信', '有效', '軟件系統(tǒng)', '人工智能', '實(shí)現(xiàn)', '計(jì)算機(jī)系統(tǒng)', '重要', '一體', '一門', '日常', '計(jì)算機(jī)', '密切', '數(shù)學(xué)', '研制']

附帶關(guān)鍵詞權(quán)重

import jieba.analyse
# 定義文本
content = "自然語(yǔ)言處理是人工智能和語(yǔ)言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運(yùn)用自然語(yǔ)言；自然語(yǔ)言處理包括多方面和步驟，基本有認(rèn)知、理解、生成等部分。"
# 定義文本
text = "自然語(yǔ)言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。" \
       "它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法。" \
       "自然語(yǔ)言處理是一門融語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此，這一領(lǐng)域的研究將涉及自然語(yǔ)言，即人們?nèi)粘Ｊ褂玫恼Z(yǔ)言，" \
       "所以它與語(yǔ)言學(xué)的研究有著密切的聯(lián)系，但又有重要的區(qū)別。" \
       "自然語(yǔ)言處理并不是一般地研究自然語(yǔ)言，" \
       "而在于研制能有效地實(shí)現(xiàn)自然語(yǔ)言通信的計(jì)算機(jī)系統(tǒng)，特別是其中的軟件系統(tǒng)。" \
       "因而它是計(jì)算機(jī)科學(xué)的一部分"
# 提取關(guān)鍵詞 (帶權(quán)重)
keywords = jieba.analyse.extract_tags(text, topK=20, withWeight=True)
# 調(diào)試輸出
print([i for i in keywords])

輸出結(jié)果:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
Loading model cost 1.110 seconds.
Prefix dict has been built successfully.
[('自然語(yǔ)言', 1.1237629576061539), ('計(jì)算機(jī)科學(xué)', 0.4503481350267692), ('語(yǔ)言學(xué)', 0.27566262244215384), ('研究', 0.2660770221507693), ('領(lǐng)域', 0.24979825580353845), ('處理', 0.24973179957046154), ('通信', 0.2043557391963077), ('有效', 0.16296019853692306), ('軟件系統(tǒng)', 0.16102600688461538), ('人工智能', 0.14550809839215384), ('實(shí)現(xiàn)', 0.14389939312584615), ('計(jì)算機(jī)系統(tǒng)', 0.1402028601413846), ('重要', 0.12347581087876922), ('一體', 0.11349408224353846), ('一門', 0.11300493477184616), ('日常', 0.10913612756276922), ('計(jì)算機(jī)', 0.1046889912443077), ('密切', 0.10181409957492307), ('數(shù)學(xué)', 0.10166677655076924), ('研制', 0.09868653898630769)]

TextRank

TextRank 通過(guò)詞之間的相鄰關(guān)系構(gòu)建網(wǎng)絡(luò)，然后用PageRank 迭代計(jì)算每個(gè)節(jié)點(diǎn)的 rank 值. 排序 rank值即可得到關(guān)鍵詞.

import jieba.analyse
# 定義文本
content = "自然語(yǔ)言處理是人工智能和語(yǔ)言學(xué)領(lǐng)域的分支學(xué)科。此領(lǐng)域探討如何處理及運(yùn)用自然語(yǔ)言；自然語(yǔ)言處理包括多方面和步驟，基本有認(rèn)知、理解、生成等部分。"
# 定義文本
text = "自然語(yǔ)言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向。" \
       "它研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)言進(jìn)行有效通信的各種理論和方法。" \
       "自然語(yǔ)言處理是一門融語(yǔ)言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)。" \
       "因此，這一領(lǐng)域的研究將涉及自然語(yǔ)言，即人們?nèi)粘Ｊ褂玫恼Z(yǔ)言，" \
       "所以它與語(yǔ)言學(xué)的研究有著密切的聯(lián)系，但又有重要的區(qū)別。" \
       "自然語(yǔ)言處理并不是一般地研究自然語(yǔ)言，" \
       "而在于研制能有效地實(shí)現(xiàn)自然語(yǔ)言通信的計(jì)算機(jī)系統(tǒng)，特別是其中的軟件系統(tǒng)。" \
       "因而它是計(jì)算機(jī)科學(xué)的一部分"
# TextRank提取關(guān)鍵詞
keywords = jieba.analyse.textrank(text, topK=20, withWeight=False)
# 調(diào)試輸出
print([i for i in keywords])

調(diào)試輸出:

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\Windows\AppData\Local\Temp\jieba.cache
['研究', '領(lǐng)域', '計(jì)算機(jī)科學(xué)', '實(shí)現(xiàn)', '處理', '語(yǔ)言學(xué)', '數(shù)學(xué)', '人們', '計(jì)算機(jī)', '涉及', '有著', '一體', '方法', '語(yǔ)言', '研制', '使用', '人工智能', '在于', '聯(lián)系', '科學(xué)']
Loading model cost 1.062 seconds.
Prefix dict has been built successfully.

在這里插入圖片描述