python实现PMI(求词语关联性)

关于PMI

PMI, 是互信息(NMI)中的一种特例, 而互信息,是源于信息论中的一个概念,主要用于衡量2个信号的关联程度.至于PMI,是在文本处理中,用于计算两个词语之间的关联程度.比起传统的相似度计算, pmi的好处在于,从统计的角度发现词语共现的情况来分析出词语间是否存在语义相关 , 或者主题相关的情况.

场景实例

说起接触PMI的原因,是我在一个主题词挖掘研究的时候, 想到能否融入pmi,以增强主题词的特征.于是乎, 我寻找了一些文献材料,其中不少印证了pmi具有这样的功能,我可以分享当中的一篇:

基于互信息的文本自动摘要_刘星含

当时,我们需要做的工作是聚集微博中的热点事件, 然后抽取主题词.以”六小龄童上春晚”主题为例, 我收集了9条热门微博,分别如下:

1.郭富城方发声明否认炒作，真的是这样吗？我发布了头条文章：《罗生门：六小龄童上春晚究竟谁炒作？从这开8并怀念当年那美好的西游》

2.除夕还剩几天时间，这几天“猴哥”#六小龄童#突然成为网络热搜词，朋友圈全是“帮猴哥上春晚”的帖子。在充当“自来水”的同时，有人开始反思，“大圣”热闹上春晚话题是不是一种“情怀绑架”？有网友说“这年头，似乎打上情怀的标签，都能把一个看似毫无逻辑的事，套上隆重的仪式感，煽动起某种情绪。

​3.呼吁六小龄童老师上春晚是好事，是人人盼望之事，但是不要被人牵着鼻子走，像央视张立，借着六小龄童老师炒作自己，中伤他人，这对章老师本人也不是益事，更不会促进什么期望实现。

4.发布了头条文章：《六小龄童，你真的不配上春晚！》 这两天大家都在为六小龄童鸣不平，咱说句公道话，六小龄童，你不配上春晚！别急着拍砖，听我细细道来！〔希望能静下来看完内容再评论〕[微笑]

5.凡事物极必反，现在给央视的舆论压力足够大了，甚至有点过了，而且我觉得现在最大的受害者还是六小龄童老师，不管最后上不上春晚，六小龄童老师现在估计都十分尴尬。大家可以稍微缓一缓，毕竟春晚的不可预测性是有太多先例的，04年那次六小龄童老师还是腊月28才接到通知临时进组的呢。[doge]

6.#热点#【六小龄童：如果上不了我就在家看春晚】“其实我完全没有料到，观众会对我上春晚的事这么轰动。我很感动，很感谢。除夕如果上(春晚)，那就去给大家拜年，让大家高兴。如果没有上，我会和我的家人一起看春晚，继续支持央视春节联欢晚会。”昨日，@六小龄童 接受采访时说。

7.​#支付宝集福#怎么了？全国人都在找敬业福，支付宝红包口令？还是希望看到#六小龄童上春晚#

8.如何看待有的人因为六小龄童老师没上春晚就骂tfboys

9.#帮六小龄童上春晚#故事大概是这样的，央视内部@央视张立 都实在看不下去了， 站出来为大家和@六小龄童 爷爷开口，然后就有人给他发了消息要删微博。还是那句话，六小龄童在台下嗑瓜子我们也愿意看。@央视张立 必须挺你。好棒哒！[赞]挺他的请转发支持！ #玩在成都#

PMI原理

根据pmi(x, y) = p(x, y) / [ p (x) * p(y) ] , 即两个单词共现的概率除以两个单词的频率乘积, 这个的概率是document frequency , 实现起来并不是很难, 不是关键是对 文档 – 单词 的存储, 建议使用倒排索引的结构, 这样可以方便存储和计算. 而我在实验中, 由于单词与文档并不多, 所以采用的是文档词语关联矩阵的思想.

代码实现

我使用的分词工具包是结巴分词, 对原来的文本进行以下三个操作:

1 去表情词:

def removeEmoji(self,sentence):
return re.sub('\[.*?\]', '', sentence)

2 提取关键词:

def ExtractWord(self,wordlist):
sentence = ','.join(wordlist)
words =jieba.analyse.extract_tags(sentence,5)
wordlist = []
for w in words:
wordlist.append(w)
return wordlist

3 实现PMI

# coding=utf-8

class PMI:
def __init__(self, document):
self.document = document
self.pmi = {}
self.miniprobability = float(1.0) / document.__len__()
self.minitogether = float(0)/ document.__len__()
self.set_word = self.getset_word()

def calcularprobability(self, document, wordlist):

"""
:param document:
:param wordlist:
:function : 计算单词的document frequency
:return: document frequency
"""

total = document.__len__()
number = 0
for doc in document:
if set(wordlist).issubset(doc):
number += 1
percent = float(number)/total
return percent

def togetherprobablity(self, document, wordlist1, wordlist2):

"""
:param document:
:param wordlist1:
:param wordlist2:
:function: 计算单词的共现概率
:return:共现概率
"""

joinwordlist = wordlist1 + wordlist2
percent = self.calcularprobability(document, joinwordlist)
return percent

def getset_word(self):

"""
:function: 得到document中的词语词典
:return: 词语词典
"""
list_word = []
for doc in self.document:
list_word = list_word + list(doc)
set_word = []
for w in list_word:
if set_word.count(w) == 0:
set_word.append(w)
return set_word

def get_dict_frq_word(self):

"""
:function: 对词典进行剪枝,剪去出现频率较少的单词
:return: 剪枝后的词典
"""
dict_frq_word = {}
for i in range(0, self.set_word.__len__(), 1):
list_word=[]
list_word.append(self.set_word[i])
probability = self.calcularprobability(self.document, list_word)
if probability > self.miniprobability:
dict_frq_word[self.set_word[i]] = probability
return dict_frq_word

def calculate_nmi(self, joinpercent, wordpercent1, wordpercent2):
"""
function: 计算词语共现的nmi值
:param joinpercent:
:param wordpercent1:
:param wordpercent2:
:return:nmi
"""
return (joinpercent)/(wordpercent1*wordpercent2)

def get_pmi(self):
"""
function:返回符合阈值的pmi列表
:return:pmi列表
"""
dict_pmi = {}
dict_frq_word = self.get_dict_frq_word()
print dict_frq_word
for word1 in dict_frq_word:
wordpercent1 = dict_frq_word[word1]
for word2 in dict_frq_word:
if word1 == word2:
continue
wordpercent2 = dict_frq_word[word2]
list_together=[]
list_together.append(word1)
list_together.append(word2)
together_probability = self.calcularprobability(self.document, list_together)
if together_probability > self.minitogether:
string = word1 + ',' + word2
dict_pmi[string] = self.calculate_nmi(together_probability, wordpercent1, wordpercent2)
return dict_pmi

具体的代码放在我的github:https://github.com/Quincy1994/PMI