基于Word2vec词聚类的关键词实现

一.基于Word2vec词聚类的关键词步骤

基于Word2Vec的词聚类关键词提取包括以下步骤：

1.准备文本数据：
    收集或准备文本数据，可以是单一文档或文档集合，涵盖关键词提取的领域。

2.文本预处理：
    清洗文本数据，去除无关字符、标点符号，将文本转换为小写等。
    进行分词，将文本划分为词语。

3.训练Word2Vec模型：
    使用预处理后的文本数据训练Word2Vec模型。
    可以使用现有的库如gensim，也可以自行实现Word2Vec模型的训练。
    定义模型的参数，如词向量维度、窗口大小、最小词频等。

4.获取词向量：
    通过训练好的Word2Vec模型获取每个词语的词向量。

5.词聚类：
    使用聚类算法对词向量进行聚类，将相似的词语分为同一簇。
    常用的聚类算法包括K-Means、DBSCAN等。
    定义聚类的数量（簇数）。

6.获取每个聚类的代表词：
    对每个聚类，选择代表性的词语作为关键词。
    这可以通过计算每个聚类的中心或其他代表性指标来实现。

7.输出关键词：
    将每个聚类的代表词作为关键词输出，得到最终的关键词列表。

整个流程的核心在于使用Word2Vec模型得到词向量，然后通过聚类算法将相似的词语归为一簇，最终提取每个簇的代表性词语作为关键词。这种方法能够捕捉词语之间的语义关系，提高关键词的表达力。

二.基于Word2vec词聚类的关键词的代码实现

词向量的预处理

# coding=utf-8
import warnings
warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim')  # 忽略警告
import codecs
import pandas as pd
import numpy as np
import jieba  # 分词
import jieba.posseg
import gensim  # 加载词向量模型
# 返回特征词向量bai
def word_vecs(wordList, model):
    name = []
    vecs = []
    for word in wordList:
        word = word.replace('\n', '')
        try:
            if word in model:  # 模型中存在该词的向量表示
                name.append(word.encode('utf8').decode("utf-8"))
                vecs.append(model[word])
        except KeyError:
            continue
    a = pd.DataFrame(name, columns=['word'])
    b = pd.DataFrame(np.array(vecs, dtype='float'))
    return pd.concat([a, b], axis=1)
# 数据预处理操作：分词，去停用词，词性筛选
def data_prepare(text, stopkey):
    l = []
    # 定义选取的词性
    pos = ['n', 'nz', 'v', 'vd', 'vn', 'l', 'a', 'd']
    seg = jieba.posseg.cut(text)  # 分词
    for i in seg:
        # 去重 + 去停用词 + 词性筛选
        if i.word not in l and i.word\
                not in stopkey and i.flag in pos:
            # print i.word
            l.append(i.word)
    return l
# 根据数据获取候选关键词词向量
def build_words_vecs(data, stopkey, model):
    idList, titleList, abstractList = data['id'], data['title'], data['abstract']
    for index in range(len(idList)):
        id = idList[index]
        title = titleList[index]
        abstract = abstractList[index]
        l_ti = data_prepare(title, stopkey)  # 处理标题
        l_ab = data_prepare(abstract, stopkey)  # 处理摘要
        # 获取候选关键词的词向量
        words = np.append(l_ti, l_ab)  # 拼接数组元素
        words = list(set(words))  # 数组元素去重,得到候选关键词列表
        wordvecs = word_vecs(words, model)  # 获取候选关键词的词向量表示
        # 词向量写入csv文件，每个词400维
        data_vecs = pd.DataFrame(wordvecs)
        data_vecs.to_csv('result/vecs/wordvecs_' + str(id) + '.csv', index=False)
        print ("document ", id, " well done.")
def main():
    # 读取数据集
    dataFile = 'data/text.csv'
    data = pd.read_csv(dataFile)
    # 停用词表
    stopkey = [w.strip() for w in codecs.open('data/stopWord.txt', 'r', encoding='utf-8').readlines()]
    # 词向量模型
    inp = 'wiki.zh.text.vector'
    model = gensim.models.KeyedVectors.load_word2vec_format(inp, binary=False)
    build_words_vecs(data, stopkey, model)
if __name__ == '__main__':
    main()

基于word2vec的关键词提取

# coding=utf-8
import os
from sklearn.cluster import KMeans
import pandas as pd
import numpy as np
import math
# 对词向量采用K-means聚类抽取TopK关键词
def words_kmeans(data, topK):
    words = data["word"]  # 词汇
    vecs = data.iloc[:, 1:]  # 向量表示
    kmeans = KMeans(n_clusters=1, random_state=10).fit(vecs)
    labels = kmeans.labels_  # 类别结果标签
    labels = pd.DataFrame(labels, columns=['label'])
    new_df = pd.concat([labels, vecs], axis=1)
    vec_center = kmeans.cluster_centers_  # 聚类中心
    # 计算距离（相似性） 采用欧几里得距离（欧式距离）
    distances = []
    vec_words = np.array(vecs)  # 候选关键词向量，dataFrame转array
    vec_center = vec_center[0]  # 第一个类别聚类中心,本例只有一个类别
    length = len(vec_center)  # 向量维度
    for index in range(len(vec_words)):  # 候选关键词个数
        cur_wordvec = vec_words[index]  # 当前词语的词向量
        dis = 0  # 向量距离
        for index2 in range(length):
            dis += (vec_center[index2] - cur_wordvec[index2]) * \
                   (vec_center[index2] - cur_wordvec[index2])
        dis = math.sqrt(dis)
        distances.append(dis)
    distances = pd.DataFrame(distances, columns=['dis'])
    # 拼接词语与其对应中心点的距离
    result = pd.concat([words, labels, distances], axis=1)
    # 按照距离大小进行升序排序
    result = result.sort_values(by="dis", ascending=True)
    # 抽取排名前topK个词语作为文本关键词
    wordlist = np.array(result['word'])
    # 抽取前topK个词汇
    word_split = [wordlist[x] for x in range(0, topK)]
    word_split = " ".join(word_split)
    return word_split
if __name__ == '__main__':
    # 读取数据集
    dataFile = 'data/text.csv'
    articleData = pd.read_csv(dataFile)
    ids, titles, keys = [], [], []
    rootdir = "result/vecs"  # 词向量文件根目录
    fileList = os.listdir(rootdir)  # 列出文件夹下所有的目录与文件
    # 遍历文件
    for i in range(len(fileList)):
        filename = fileList[i]
        path = os.path.join(rootdir, filename)
        if os.path.isfile(path):
            # 读取词向量文件数据
            data = pd.read_csv(path, encoding='utf-8')
            # 聚类算法得到当前文件的关键词
            artile_keys = words_kmeans(data, 5)
            # 根据文件名获得文章id以及标题
            (shortname, extension) = os.path.splitext(filename)
            t = shortname.split("_")
            article_id = int(t[len(t) - 1])  # 获得文章id
            # 获得文章标题
            artile_tit = articleData[articleData.id == article_id]['title']
            print(artile_tit)
            print(list(artile_tit))
            artile_tit = list(artile_tit)[0]  # series转成字符串
            ids.append(article_id)
            titles.append(artile_tit)
            keys.append(artile_keys.encode("utf-8").decode("utf-8"))
    # 所有结果写入文件
    result = pd.DataFrame({"id": ids, "title": titles, "key": keys}, columns=['id', 'title', 'key'])
    result = result.sort_values(by="id", ascending=True)  # 排序
    result.to_csv("result/word2vec.csv", index=False, encoding='utf_8_sig')