python中文短文本的预处理及聚类分析（NLP）

python中文短文本的预处理及聚类分析（NLP）

对于中文短文本而言，其有着单个文本词量少，文本多等特点，并且在不同的领域中中文短文本有着不同的特点。本文以已获取的微博语料出发，使用DBSCAN密度聚类，并对其进行简单可视化。
#说明：
1-本文所有程序都已实现跑通，可直接复制调试，输入的文档为文本文档.txt，编码格式为utf-8（可以在另存为之中修改编码格式，默认为ANSI），注意每一行为一个短文本样本即可。
2-本文以python3.7为语言环境，使用到的jieba,sklearn等扩展包需要提前安装好。

1 原始文本的预处理

1.1 去除文本噪音

对于原始文本，总会有很多东西是我们不需要的，比如标点、网址来源、表情转换符（[西瓜]、[大笑]）等，如下图所示。

因此我们首先读取记事本中的内容，并按照每行的格式保存到python列表list中，代码如下所示：

import codecs
corpus = []
file = codecs.open("微博短文本.txt","r","utf-8")
for line in file.readlines():
    corpus.append(line.strip())

接着，我们就可以对于储存到列表corpus中的每个预料字符串进行去噪了，在这里使用的是re库中的sub函数，为了方便阅读和修改，所以以罗列的方式展现，代码如下所示：

stripcorpus = corpus.copy()
for i in range(len(corpus)):
    stripcorpus[i] = re.sub("@([\s\S]*?):","",corpus[i])  # 去除@ ...：
    stripcorpus[i] = re.sub("\[([\S\s]*?)\]","",stripcorpus[i])  # [...]：
    stripcorpus[i] = re.sub("@([\s\S]*?)","",stripcorpus[i])  # 去除@... 
    stripcorpus[i] = re.sub("[\s+\.\!\/_,$%^*(+\"\']+|[+——！，。？、~@#￥%……&*（）]+","",stripcorpus[i])  # 去除标点及特殊符号
    stripcorpus[i] = re.sub("[^\u4e00-\u9fa5]","",stripcorpus[i])  #  去除所有非汉字内容（英文数字）
    stripcorpus[i] = re.sub("客户端","",stripcorpus[i])
    stripcorpus[i] = re.sub("回复","",stripcorpus[i])

1.2 jieba分词

接着，我们在只剩下汉语的stripcorpus列表中，将字符串长度小于5的去除，并使用jieba进行分词，代码如下所示：

import jieba.posseg as pseg

onlycorpus = []
for string in stripcorpus:
    if(string == ''):
        continue
    else:
        if(len(string)<5):
            continue
        else:
            onlycorpus.append(string)
cutcorpusiter = onlycorpus.copy()
cutcorpus = onlycorpus.copy()
cixingofword = []  # 储存分词后的词语对应的词性
wordtocixing = []  # 储存分词后的词语
for i in range(len(onlycorpus)):
    cutcorpusiter[i] = pseg.cut(onlycorpus[i])
    cutcorpus[i] = ""
    for every in cutcorpusiter[i]:   
        cutcorpus[i] = (cutcorpus[i] + " " + str(every.word)).strip()
        cixingofword.append(every.flag)
        wordtocixing.append(every.word)
# 自己造一个{“词语”:“词性”}的字典，方便后续使用词性
word2flagdict = {wordtocixing[i]:cixingofword[i] for i in range(len(wordtocixing))}

到此，我们完成了对于原始语料的基本处理，最终得到的处理后的语料列表和词性字典如下图所示。


可以看到上面的cutcorpus语料库中，有一些词语是我们不需要的（如“我”，“了”等），因为后续在进行特征提取时会按照词性进行权重赋值，所以在这里并没有按照专用词和停用词词典进行筛选。

2 短文本特征提取

说到短文本的特征提取，最著名也是目前用的最多普适性最强的就是TF-IDF的词频特征提取了，当然对于不同类型的短文本TF-IDF方法有着不一样的缺点，因此在短文本特征提取这一块有着很多各式各样的小论文，改参数，改进公式，就可以写一篇小论文了，但是这些论文中真正具有普适性的较少。
在这里，我们首先使用标准的python sklearn库中的TfidfTransformer和CountVectorizer来获取每个短文本的特征向量，从而组成整个样本特征X,代码如下所示：

from sklearn import feature_extraction  
from sklearn.feature_extraction.text import TfidfTransformer  
from sklearn.feature_extraction.text import CountVectorizer

vectorizer = CountVectorizer()
transformer = TfidfTransformer()#该类会统计每个词语的tf-idf权值
#第一个fit_transform是计算tf-idf 第二个fit_transform是将文本转为词频矩阵
tfidf = transformer.fit_transform(vectorizer.fit_transform(cutcorpus))
#获取词袋模型中的所有词语  
word = vectorizer.get_feature_names()
#将tf-idf矩阵抽取出来，元素w[i][j]表示j词在i类文本中的tf-idf权重
weight = tfidf.toarray()

其中weight就是特征矩阵X，word是X中每一维度特征对应的词。weight的大小在这里是（20097205），word的大小（72051）。其实到这里，已经可以用weight去聚类了，但是要知道在短文本中TF-IDF方法本质是提取词语的形状，和词语出现的顺序是无关的，所以从特征提取的角度而言是缺失了部分特征。
所以在这里，我们将word中每个词语的词性，通过自定义的方式赋给它们不同的权重，并乘到weight上的每一行样本中，进而改变它们的特征矩阵。这样做的目的其实是想让特征矩阵的区分能力增强一点，代码如下所示：

wordflagweight = [1 for i in range(len(word))]   #这个是词性系数，需要调整系数来看效果
for i in range(len(word)):
    if(word2flagdict[word[i]]=="n"):  # 这里只是举个例子，名词重要一点，我们就给它1.1
        wordflagweight[i] = 1.2
    elif(word2flagdict[word[i]]=="vn"):
        wordflagweight[i] = 1.1
    elif(word2flagdict[word[i]]=="m"):  # 只是举个例子，这种量词什么的直接去掉，省了一步停用词词典去除
        wordflagweight[i] = 0
    else:                                         # 权重数值还要根据实际情况确定，更多类型还请自己添加
        continue
import numpy as np
wordflagweight = np.array(wordflagweight)
newweight = weight.copy()
for i in range(len(weight)):                
    for j in range(len(word)):
        newweight[i][j] = weight[i][j]*wordflagweight[j]

3 DBSCAN聚类分析

为什么使用DNSCAN聚类不使用其他聚类方法呢？其实其他聚类方法也可以，只不过这个聚类算法口碑比较好，它也有它自己的优缺点，具体可以Google一下。
其实有了特征之后，聚类是一件很简单的事情（除了调参以外）。或者换句话说聚类很简单，聚出能用的类就很难了，这需要一定的耐心和方法，话不多说，代码如下：

from sklearn.cluster import DBSCAN
DBS_clf = DBSCAN(eps=1, min_samples=6)
DBS_clf.fit(newweight)

没错，就是sklearn三步走：调包、实例化、训练。值得注意的是，DBSCAN有两个主要的参数需要调整，一个是eps(我们可以将它理解为聚类那个圈的半径)，一个是min_samples(最少多少个样本可以称之为一类)。关于聚类效果的可视化，我是先将多维数据通过PCA压缩到聚类种类那么多维的数据，再通过TSNE压缩到2维来描点作图，这样效果好点，代码如下所示：

import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.manifold import TSNE
from sklearn.cluster import DBSCAN

def DBS_Visualization(epsnumber,min_samplesnumber,X_weight):
    DBS_clf = DBSCAN(eps=epsnumber,min_samples=min_samplesnumber)
    DBS_clf.fit(X_weight)
    labels_ = DBS_clf.labels_
    X_reduction = PCA(n_components=(max(labels_)+1)).fit_transform(X_weight)  #这个weight是不需要改变的
    X_reduction = TSNE(2).fit_transform(X_reduction)    #每次压缩的结果都是不一样的，因为n_components在变
    signal = 0
    noise = 0
    xyclfweight = [[[],[]] for k in range(max(labels_)+2)] 
    for i in range(len(labels_)):
        if(labels_[i]==-1):
            noise += 1
            xyclfweight[-1][0].append(X_reduction[i][0])
            xyclfweight[-1][1].append(X_reduction[i][1])
        else:    
            for j in range(max(labels_)+1):
                if(labels_[i]==j):
                    signal += 1
                    xyclfweight[j][0].append(X_reduction[i][0])
                    xyclfweight[j][1].append(X_reduction[i][1])            
    colors = ['red','blue','green','yellow','black','magenta'] * 3
    for i in range(len(xyclfweight)-1):
        plt.plot(xyclfweight[i][0],xyclfweight[i][1],color=colors[i])
    plt.plot(xyclfweight[-1][0],xyclfweight[-1][1],color='#FFB6C1')
    # 自适应坐标轴
    plt.axis([min(X_reduction[:,0]),max(X_reduction[:,0]),min(X_reduction[:,1]),max(X_reduction[:,1])])
    plt.xlabel("x1")
    plt.ylabel("x2")
    plt.show()
    print("分类数量（含噪声-1，粉色）= "+str(max(labels_)+2),"  " + "信噪比 = "+str(signal/noise))  #包括噪声一共有多少类
    print("eps = "+str(epsnumber)+"  ", "min_sample = "+str(min_samplesnumber))

上面是一个简单的绘制效果的函数，下面调用一下这个函数，我们随意取一对参数值eps = 0.95,min_samples = 6,使用我们的新特征newweight进行训练，代码和得到的结果如下所示：

DBS_Visualization(0.95,6,newweight)

是的，这个参数聚类的效果并不好，所以还需要不断地尝试与调整参数。总的来说聚类效果主要有三个原因决定：一是文本特征的提取，二是聚类方法和参数的选择，三是语料本身的特点。本文只是做了一个初步的聚类，对于区别比较明显的大量文本数据还比较好使，但是对于不明显特征的短文本效果还有待提升，还望读者们留言批评指正。