基于特定语料库的TF-IDF关键词提取实现

本文旨在对特定的语料库生成各词的逆文档频率。然后根据TF-IDF算法进行关键词提取。

转载请注明出处：Gaussic（自然语言处理） 。

GitHub代码：https://github.com/gaussic/tf-idf-keyword

分词

对于中文文本的关键词提取，需要先进行分词操作，本文采用全模式的结巴分词器进行分词。使用全模式的一个优势是可以对原始数据进行增益。如果不需要可以将cut_all修改为默认False。

去除其中的一些英文和数字，只保留中文：

import jieba
import re

def segment(sentence, cut_all=True):
sentence = re.sub('[a-zA-Z0-9]', '', sentence.replace('\n', '')) # 过滤
return jieba.cut(sentence, cut_all=cut_all) # 分词

语料库逆文档频率统计

高效文件读取

读取指定目录下的所有文本文件，使用结巴分词器进行分词。本文的IDF提取基于THUCNews（清华新闻语料库）的大约80万篇文本。

基于python生成器的实现，以下代码可以实现高效地读取文本并分词：

class MyDocuments(object):    # memory efficient data streaming
def __init__(self, dirname):
self.dirname = dirname
if not os.path.isdir(dirname):
print(dirname, '- not a directory!')
sys.exit()

def __iter__(self):
for dirfile in os.walk(self.dirname):
for fname in dirfile[2]:
text = open(os.path.join(dirfile[0], fname),
'r', encoding='utf-8').read()
yield segment(text)

词的逆文档频数统计

统计每一个词出现在多少篇文档中：

documents = MyDocuments(inputdir)

# 排除中文标点符号
ignored = {'', ' ', '', '。', '：', '，', '）', '（', '！', '?', '”', '“'}
id_freq = {}    # 频数
i = 0   # 总文档数
for doc in documents:
doc = (x for x in doc if x not in ignored)
for x in doc:
id_freq[x] = id_freq.get(x, 0) + 1
if i % 1000 == 0:   # 每隔1000篇输出状态
print('Documents processed: ', i, ', time: ',
datetime.datetime.now())
i += 1

计算逆文档频率并存储

with open(outputfile, 'w', encoding='utf-8') as f:
for key, value in id_freq.items():
f.write(key + ' ' + str(math.log(i / value, 2)) + '\n')

逆文档频率(IDF)计算公式



其中，D表示总文档数，Dw表示词w出现在多少篇文档中。

运行示例：

Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/65/1sj9q72d15gg80vt9c70v9d80000gn/T/jieba.cache
Loading model cost 0.943 seconds.
Prefix dict has been built succesfully.
Documents processed:  0 , time:  2017-08-08 17:11:15.906739
Documents processed:  1000 , time:  2017-08-08 17:11:18.857246
Documents processed:  2000 , time:  2017-08-08 17:11:21.762615
Documents processed:  3000 , time:  2017-08-08 17:11:24.534753
Documents processed:  4000 , time:  2017-08-08 17:11:27.235600
Documents processed:  5000 , time:  2017-08-08 17:11:29.974688
Documents processed:  6000 , time:  2017-08-08 17:11:32.818768
Documents processed:  7000 , time:  2017-08-08 17:11:35.797916
Documents processed:  8000 , time:  2017-08-08 17:11:39.232018

可见，处理1000篇文档用时大约3秒，80万篇大约用时40分钟。

TF-IDF关键词提取

借鉴了结巴分词的处理思路，使用IDFLoader载入IDF文件：

class IDFLoader(object):
def __init__(self, idf_path):
self.idf_path = idf_path
self.idf_freq = {}     # idf
self.mean_idf = 0.0    # 均值
self.load_idf()

def load_idf(self):       # 从文件中载入idf
cnt = 0
with open(self.idf_path, 'r', encoding='utf-8') as f:
for line in f:
try:
word, freq = line.strip().split(' ')
cnt += 1
except Exception as e:
pass
self.idf_freq[word] = float(freq)

print('Vocabularies loaded: %d' % cnt)
self.mean_idf = sum(self.idf_freq.values()) / cnt

使用TF-IDF抽取关键词：

TF-IDF计算公式：

class TFIDF(object):
def __init__(self, idf_path):
self.idf_loader = IDFLoader(idf_path)
self.idf_freq = self.idf_loader.idf_freq
self.mean_idf = self.idf_loader.mean_idf

def extract_keywords(self, sentence, topK=20):    # 提取关键词
# 分词
seg_list = segment(sentence)

freq = {}
for w in seg_list:
freq[w] = freq.get(w, 0.0) + 1.0  # 统计词频
if '' in freq:
del freq['']
total = sum(freq.values())    # 总词数

for k in freq:   # 计算 TF-IDF
freq[k] *= self.idf_freq.get(k, self.mean_idf) / total

tags = sorted(freq, key=freq.__getitem__, reverse=True)  # 排序

if topK:   # 返回topK
return tags[:topK]
else:
return tags

使用：

# idffile为idf文件路径, document为待处理文本路径
tdidf = TFIDF(idffile)
sentence = open(document, 'r', encoding='utf-8').read()
tags = tdidf.extract_keywords(sentence, topK)

示例输出：

交通
翼
路况
中国电信
电信
国电
服务
天
武汉
信息
市民
出行
便民
武汉热线
通路
交通广播
实时
看
分公司
手机