Kmeans聚类之建立词袋子模型

作者:finallyliuyu (转载请注明出处)

最近打算将自己的工作平台由C#,python等迁移到C++。这是我的第一个C++工作程序吧。

IDE:VS2008

language: C++

library:boost(安装boost库,先要安装python安装方法见《boost库安装方法》)

tools:weka

C++程序完成的功能:从数据库中读出文章-》分词(调用ICTCLAS)-》特征词选择(DF法)->VSM模型建立->把文章写成weka数据格式arff文件(此处写成的是稀疏数据的储存格式。weka教程见《教程》)

首先给出构造停用词集合的代码:

 

Kmeans聚类之建立词袋子模型 构造停用词表
/* ********************************************************************** */
/*  获取停用词表                                                                      */
/* ********************************************************************** */
set < string > MakeStopSet()
{    
set < string >  stopwordsSet;
    ifstream ifile(
" stopwords.txt " );
    
while ( ! ifile.eof())
    {
        
string  temp;
        trim(temp,
"   " );
        ifile
>> temp;
        stopwordsSet.insert(temp);
    }
    
return  stopwordsSet;
     
    
}

 

然后我们给出调用ICTclas进行分词的代码,注意:工程中调用ICTCLAS时要把data 文件夹,config文件,ictclas30.h ICTCLAS30.dll,ICTCLAS30.LIB放在工程所在的文件夹。将ictclas30.h加入工程,在调用ICTCLAS30.DLL的cpp文件的头部加上#pragma comment(lib, "ICTCLAS30.lib")

 

Kmeans聚类之建立词袋子模型 调用ICTCLAS分词
************************************************************************/
/*  c字符创形式的输入,string格式的输出,此函数用于调用ICTCLAS完成分词功能
/*
/***********************************************************************
*/
string  ICTsplit( const   char   * sInput)
{
    
if ( ! ICTCLAS_Init())
    {
        printf(
" ICTCLAS INIT FAILED!\n " );
        
string  strerr(sInput);
        
return  strerr;
    }
    ICTCLAS_SetPOSmap(ICT_POS_MAP_SECOND);
    
// 导入用户词典后
     /* printf("\n导入用户词典后:\n");
    int nCount = ICTCLAS_ImportUserDict("userdic.txt");//覆盖以前的用户词典
    //保存用户词典
    ICTCLAS_SaveTheUsrDic();
    printf("导入%d个用户词。\n", nCount);
*/

    
const   char *  sResult  =  ICTCLAS_ParagraphProcess(sInput,  0 );
    
string  strresult(sResult);
    
// printf("%s\n", sResult);
    
// 把字符串转化成宽字符串
    wstring wsResult = myMultibyteToWideChar(strresult);
    boost::wregex wreg(L
" \\s+ " );
    wsResult
= boost::regex_replace(wsResult,wreg,wstring(L " | " ));
    strresult
= myWideCharToMultibyte(wsResult);
    

        
    
// ofile<<str1;
    
// ofile.close();
    
// cout<<str1<<endl;
    
// ICTCLAS_FileProcess("text.txt","test_result.txt",1);
    ICTCLAS_Exit();

    
return  strresult;
}

 

ICTclas分词结果默认的分割符是空格,在以上函数中,我们改成了“|”作为分隔符,字符串替换考率用boost的正则表达式库。因为我们要处理的是汉字字符串,所有要进行宽字符串窄字符串之间的转化,我采用的是利用win32函数的方法更多方法请见《boost正则表达式处理汉字字符串》。

 

Kmeans聚类之建立词袋子模型 宽窄字符串互转函数
/* ********************************************************************** */
/*   功能:将窄字符转化成宽字符,string->wstring                          */
/* ********************************************************************** */
wstring myMultibyteToWideChar(
string  sResult)
{
    
int  iWLen = MultiByteToWideChar( CP_ACP,  0 , sResult.c_str(), sResult.size(),  0 0  ); //  计算转换后宽字符串的长度。(不包含字符串结束符)
    wchar_t  * lpwsz =   new  wchar_t [iWLen + 1 ];
    MultiByteToWideChar( CP_ACP, 
0 , sResult.c_str(), sResult.size(), lpwsz, iWLen );  //  正式转换。
    lpwsz[iWLen]  =  L ' \0 '
    wstring wsResult(lpwsz);
    delete []lpwsz;
    
return  wsResult;
}
/* ********************************************************************** */
/*  将宽字符串转化成窄字符串用于输出                                      */
/* ********************************************************************** */
string  myWideCharToMultibyte(wstring wsResult)
{    
string  sResult;
    
int  iLen =  WideCharToMultiByte( CP_ACP, NULL, wsResult.c_str(),  - 1 , NULL,  0 , NULL, FALSE );  //  计算转换后字符串的长度。(包含字符串结束符)
     char   * lpsz =   new   char [iLen];
    WideCharToMultiByte( CP_OEMCP, NULL, wsResult.c_str(), 
- 1 , lpsz, iLen, NULL, FALSE);  //  正式转换。
    sResult.assign( lpsz, iLen - 1  );  //  对string对象进行赋值。
    delete []lpsz;
    
return  sResult;




}

 有了以上的功能,我们现在编写一个函数,函数的输入是一篇文章,输出是一个词的集合。该词集合保存的是初步去掉噪声词后的“好词”

代码如下

 

Kmeans聚类之建立词袋子模型 对每篇文章初步过滤形成词集合
/* ********************************************************************** */
/*  返回一篇文章中的好词                                                  */
/* ********************************************************************** */
vector
< string > goodWordsinPieceArticle( string  rawtext, set < string >  stopwords)
{  
    vector
< wstring >  goodWordstemp;
    vector
< string >  goodWords;
    
const   char *  sInput = rawtext.c_str();
    
string  sResult = ICTsplit(sInput);
    wstring wsResult
= myMultibyteToWideChar(sResult);
    boost::wregex wreg(L
" \\d+ " ); // 去掉中文空格
    wsResult = boost::regex_replace(wsResult,wreg,wstring(L "" ));
    
// boost::regex_split(back_inserter(goodWordstemp),wsResult,wreg);
    boost::split(goodWordstemp,wsResult,boost::is_any_of( " | " ));

    
for (vector < wstring > ::iterator it = goodWordstemp.begin();it != goodWordstemp.end();it ++ )
    {
        
string  temp = myWideCharToMultibyte( * it);
        trim(temp,
"   " );
        
if ( ! stopwords.count(temp) &&! temp.empty())
        {
            goodWords.push_back(temp);
        }
        
    
    }

    
return  goodWords;

    
}

 上面的这个函数可以说是我们建立词袋子模型的基本单元,给上面的函数输入文章内容(rawtext),以及停用词表,那么它将返回一个词集合。下面我们开始构造词袋子模型。在构造词袋子模型之前,我们要说一下,我们词袋子模型的格式map<string,vector<pair<int,int>>>:主键为该词,pair中的第一个int 为文章标号,第二个词为在该文中出现的次数,vector<pair<int,int>>统计的是这个词在那些文章中出现,出现过几次。因为数据量比较大所以词袋子模型map,采用引用传参,如果是值传参的话,会在内存中产生拷贝,浪费内存

下面是从数据库中读文章建立词袋子模型的代码

 

Kmeans聚类之建立词袋子模型 建立词袋子模型
/* ***********************************构建倒排表: key=word,val= a list of pairs which consists of articleid ,and count, count=tf************************************************************ */
int  ConstructMap(map < string ,vector < pair < int , int >>>& mymap, int  beginindex, int  endindex)
{
    
//     vector<string> mySplit(string s);
      set < string > MakeStopSet();
    vector
< string > goodWordsinPieceArticle( string  rawtext, set < string > stopwords);
    CoInitialize(NULL);
    _ConnectionPtr pConn(__uuidof(Connection));
    _RecordsetPtr pRst(__uuidof(Recordset));
    
char   *  select  = new   char [ 5000 ];
    memset(select,
0 , 5000 );
    
char   * firstpart = " select CKeyWord,ArticleId,CAbstract from Article where ArticleId between  " ;
    
char   * lastpart = "  order by ArticleId " ;
    
char  middlepart1[ 100 ];
    
char  middlepart2[ 100 ];
    sprintf_s(middlepart1,
sizeof (middlepart1), " %d " ,beginindex);
    sprintf_s(middlepart2,
sizeof (middlepart2), " %d " ,endindex);
    strcat(select,firstpart);
    strcat(select,middlepart1);
    strcat(select,
"  and  " );
    strcat(select,middlepart2);
    strcat(select,lastpart);
    pConn
-> ConnectionString = " Provider=SQLOLEDB.1;Password=xxxxxx;Persist Security Info=True; User ID=sa;Initial Catalog=ArticleCollection " ;
    pConn
-> Open( "" , "" , "" ,adConnectUnspecified);
    pRst
= pConn -> Execute(select,NULL,adCmdText);
    
set < string > stopwords = MakeStopSet();
    
while ( ! pRst -> rsEOF)
    {    vector
< string > wordcollection;
        
// string keywordstr=(_bstr_t)pRst->GetCollect("CKeyWord");
         string  rawtext = (_bstr_t)pRst -> GetCollect( " CAbstract " );
        
if (rawtext != "" )
        {
                wordcollection
= goodWordsinPieceArticle(rawtext,stopwords);
                
string  tempid = (_bstr_t)pRst -> GetCollect( " ArticleId " );
                
int  articleid = atoi(tempid.c_str());
                
for (vector < string > ::iterator strit = wordcollection.begin();strit != wordcollection.end();strit ++ )
                {
                    vector
< pair < int , int >> ::iterator it;
                    
if (mymap[ * strit].empty())
                    {
                        pair
< int , int > mytemppair = make_pair(articleid, 1 );
                        mymap[
* strit].push_back(mytemppair);

                    }
                    
else
                    {
                        
for (it = mymap[ * strit].begin();it != mymap[ * strit].end();it ++ )
                        {  
                            
if (it -> first == articleid)
                            {
                                it
-> second =++ (it -> second);
                                
break ;
                            }
                    
                        }
                        
if (it == mymap[ * strit].end())
                        {
                            pair
< int , int > mytemppair = make_pair(articleid, 1 );
                            mymap[
* strit].push_back(mytemppair);
                        }

                    }

            }
            

        }
        
        
        pRst
-> MoveNext();
        wordcollection.clear();
    }
    pRst
-> Close();
    pConn
-> Close();
    pRst.Release();
    pConn.Release();
    CoUninitialize();
    delete[] select;
    
return   0 ;

}

 

 

未完,待续。。。。。

 

 

 

 

你可能感兴趣的:(聚类)