NLP文本表示之实战

在上一篇文章介绍了文本表示《NLP之文本表示》https://blog.csdn.net/Prepare...

但是没有代码。在这篇博客中，我们在实践一下！

中文分词常用模型：Jieba模型、百度的LAC模型，这里使用 Jieba 模型进行中文分词。

数据集使用：人民日报1946年05月的数据。数据集地址：https://github.com/fangj/rmrb/tree/master/example/1946年05月

Jieba模型：

Jieba 基本上目前最好的 Python 中文分词组件，它主要有以下 3 种特性：

支持 3 种分词模式：

• 精确模式
  全模式
  搜索引擎模式
  支持繁体分词
  支持自定义词典

第一步：读取所有文件，形成数据集corpus

def getCorpus(self, rootDir):
    corpus = []
    r1 = u'[a-zA-Z0-9’!"#$%&\'()*+,-./:：;<=>?@，。?★、…【】《》？“”‘’！[\\]^_`{|}~]+'  # 用户也可以在此进行自定义过滤字符
    for file in os.listdir(rootDir):
        path  = os.path.join(rootDir, file)
        if os.path.isfile(path):
            # 打印文件地址
            #print(os.path.abspath(path))
            # 获取文章内容，fromfile主要用来处理数组 pass
            # filecontext = np.fromfile(os.path.abspath(path))
            with open(os.path.abspath(path), "r", encoding='utf-8') as file:
                filecontext = file.read();
                #print(filecontext)
                # 分词 去掉符号
                filecontext = re.sub(r1, '', filecontext)
                filecontext = filecontext.replace("\n", '')
                filecontext = filecontext.replace(" ", '')
                seg_list = jieba.lcut_for_search(filecontext)
                corpus += seg_list
                #print(seg_list)
                #print("[精确模式]：" + "/".join(seg_list))
        elif os.path.isdir(path):
            TraversalFun.AllFiles(self, path)
    return corpus

1、循环读取文件夹下的文件；

2、使用numpy读取文件获取文件内容；

3、去掉特殊符号，获取中文内容；

4、使用Jieba分词进行分词，大家可以尝试各种方式。

第二步：计算信息熵

信息熵的公式：

#构造词典，统计每个词的频率，并计算信息熵
def calc_tf(corpus):
    #   统计每个词出现的频率
    word_freq_dict = dict()
    for word in corpus:
        if word not in word_freq_dict:
            word_freq_dict[word] = 1
        word_freq_dict[word] += 1
    # 将这个词典中的词，按照出现次数排序，出现次数越高，排序越靠前
    word_freq_dict = sorted(word_freq_dict.items(), key=lambda x:x[1], reverse=True)
    # 计算TF概率
    word_tf = dict()
    # 信息熵
    shannoEnt = 0.0
    # 按照频率，从高到低，开始遍历，并未每个词构造一个id
    for word, freq in word_freq_dict:
        # 计算p(xi)
        prob = freq / len(corpus)
        word_tf[word] = prob
        shannoEnt -= prob*log(prob, 2)
    return word_tf, shannoEnt

思路：

1、循环，计算每个词的频率，循环一个词，如果有则加1，没有则等于1

2、计算信息熵：按照公式循环计算信息熵。

结果：

数据集大小，size: 163039

信息熵：14.047837802885464

大家快动手尝试一下吧

前路遥遥，大家加油~ 公众号【prepared】

Jieba模型：https://github.com/fxsjy/jieba

源码地址：https://github.com/zhongsb/NL...