我有一个文档项矩阵,现在我想使用一种监督学习方法(SVM,Naive Bayes等)为每个文档提取关键字。在此模型中,我已经使用了Tf-idf,Pos标签,...
但是现在我想知道下一个。我有一个矩阵,两个词之间的余弦相似。
是否可以将这种相似性用作模型的功能?我的想法是对长期在文档d,用平均所有条款的余弦相似的文档d足月我。这有用吗?
我有一个文档项矩阵,现在我想使用一种监督学习方法(SVM,Naive Bayes等)为每个文档提取关键字。在此模型中,我已经使用了Tf-idf,Pos标签,...
但是现在我想知道下一个。我有一个矩阵,两个词之间的余弦相似。
是否可以将这种相似性用作模型的功能?我的想法是对长期在文档d,用平均所有条款的余弦相似的文档d足月我。这有用吗?
Answers:
我不知道如何在监督学习中进行关键字提取,但是我确实知道如何在监督学习中进行关键字提取。
有几种方法可以这样做,所以这里是:
您可以直接在术语相似度矩阵上应用任何分层聚类方法(使用任何相似度函数,而不仅仅是余弦)
在scikit-learn中,您将执行以下操作:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.cluster import AgglomerativeClustering
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(data)
C = 1 - cosine_similarity(X.T)
ward = AgglomerativeClustering(n_clusters=k, linkage='ward').fit(C)
label = ward.labels_
资料来源:[1]
但是,由于它是聚集集群,因此在计算上很昂贵,并且需要一段时间才能计算出来。
另一种可能性是在术语文档矩阵的行上执行常规k均值,然后为每个质心找到最常用的术语
例如,在scikit中学习以下方法:
from sklearn.cluster import KMeans
km = KMeans(n_clusters=k, init='k-means++', max_iter=100, n_init=1)
km.fit(X)
order_centroids = km.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
for i in range(k):
print("Cluster %d:" % i, end='')
for ind in order_centroids[i, :10]:
print(' %s' % terms[ind], end='')
资料来源:[2]
但是k均值依赖于欧几里得距离,这对稀疏的高维数据不利。还有其他一些技术更适合文本使用余弦相似度
可以将余弦与K均值一起使用(请参见[3]):计算质心作为每个簇中所有文档的均值,然后使用余弦计算到最接近质心的距离。
最后,您可以使用与通常的k均值相同的方式提取关键字。
计算平均质心作为群集中所有文档的平均值并不总是一件好事。分散/聚集算法[4]中提出了另一种方法:群集的质心是该群集中所有文档的串联。
对于这种方法,您只需要为每个质心簇采用最常用的术语。
scikit learning中没有实现这些算法,但是您可以通过扩展轻松地自己实现它们KMeans
。
请注意,在两种情况下,质心都变得非常密集:比每个簇中的其余文档都稠密,因此您可能希望截断质心中的术语,即删除“无关紧要”的术语。(见[8])。
另一种方法是应用频谱聚类。您需要提供一个已经具有的相似度矩阵,它将在其上找到簇。
它在SpectralClustering
类中实现,请参见[5]中的示例。请注意,由于您已经有一个预先计算的矩阵,因此affinity='precumputed'
在初始化时需要使用attribute。
光谱聚类与内核KMeans有关:有论文(参见[7])表明它们是同一回事。我最近遇到了一个可能有用的内核KMeans实现:https ://gist.github.com/mblondel/6230787
最后,您可以使用线性代数的某些分解技术将术语文档矩阵聚类,例如SVD(这就是所谓的“潜在语义分析”)或非负矩阵分解。后者可以看作是聚类,并且可以同时聚类矩阵的行和列。
例如,您可以通过以下方式提取关键字:
from sklearn.decomposition import NMF
nmf = NMF(n_components=k, random_state=1).fit(X)
feature_names = vectorizer.get_feature_names()
for topic_idx, topic in enumerate(nmf.components_):
print("Topic #%d:" % topic_idx)
print(" ".join([feature_names[i]
for i in topic.argsort()[:-10-1:-1]]))
print()
代码来源:[6]
即使这里的示例在python scikit-learn中,我认为找到一些R的示例也不是什么大问题
资料来源