TFIDF之python实现
TFIDF介绍
现在有一篇长文《中国的蜜蜂养殖》,用计算机提取它的关键词。
1、词频:如果某个词很重要,它应该在这篇文章中多次出现。我们进行"词频"(Term Frequency,缩写为TF)统计。
2、停用词:结果你肯定猜到了,出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做"停用词"(stop words),表示对找到结果毫无帮助、必须过滤掉的词。
3、IDF :最常见的词("的"、"是"、"在")给予最小的权重,
较常见的词("中国")给予较小的权重,
较少见的词("蜜蜂"、"养殖")给予较大的权重。
这个权重叫做"逆文档频率"(Inverse Document Frequency,缩写为IDF),
它的大小与一个词的常见程度成反比。
4、TF-IDF:"词频"(TF)和"逆文档频率"(IDF)以后,两个值相乘,得到了一个词的TF-IDF值。
某个词对文章的重要性越高,它的TF-IDF值就越大。
所以,排在最前面的几个词,就是这篇文章的关键词。
如果某个词比较少见,但是它在这篇文章中多次出现,那么它很可能就反映了这篇文章的特性,正是我们所需要的关键词。发现"中国"、"蜜蜂"、"养殖"这三个词的出现次数一样多,因为"中国"是很常见的词,相对而言,"蜜蜂"和"养殖"不那么常见,"蜜蜂"和"养殖"的重要程度要大于"中国"。
具体实现:
1、计算词频
词频(TF) = 某个词在文章中的出现次数,文章有长短之分,为了便于不同文章的比较,做"词频"标准化。
词频(TF) = 某个词在文章中的出现次数 / 文章总词数
或者 词频(TF) = 某个词在文章中的出现次数 / 拥有最高词频的词的次数
2、某个词在文章中的出现次数
这时,需要一个语料库(corpus),用来模拟语言的使用环境。
逆文档频率(IDF) = log(语料库的文档总数/包含该词的文档总数+1)
3、计算TF-IDF
TF-IDF = 词频(TF) * 逆文档频率(IDF)
可以看到,TF-IDF与一个词在文档中的出现次数成正比,与该词在整个语言中的出现次数成反比。
所以,自动提取关键词的算法就是计算出文档的每个词的TF-IDF值,然后按降序排列,取排在最前面的几个词。
从上表可见,"蜜蜂"的TF-IDF值最高,"养殖"其次,"中国"最低。(如果还计算"的"字的TF-IDF,那将是一个极其接近0的值。)
所以,如果只选择一个词,"蜜蜂"就是这篇文章的关键词。
1 import os 2 import codecs 3 import math 4 import operator 5 6 7 def fun(filepath): # 遍历文件夹中的所有文件,返回文件list 8 arr = [] 9 for root, dirs, files in os.walk(filepath): 10 for fn in files: 11 arr.append(root+"\\"+fn) 12 return arr 13 14 15 def wry(txt, path): # 写入txt文件 16 f = codecs.open(path, 'a', 'utf8') 17 f.write(txt) 18 f.close() 19 return path 20 21 22 def read(path): # 读取txt文件,并返回list 23 f = open(path, encoding="utf8") 24 data = [] 25 for line in f.readlines(): 26 data.append(line) 27 return data 28 29 30 def toword(txtlis): # 将一片文章按照‘/’切割成词表,返回list 31 wordlist = [] 32 alltxt = '' 33 for i in txtlis: 34 alltxt = alltxt+str(i) 35 ridenter = alltxt.replace('\n', '') 36 wordlist = ridenter.split('/') 37 return wordlist 38 39 40 def getstopword(path): # 获取停用词表 41 swlis = [] 42 for i in read(path): 43 outsw = str(i).replace('\n', '') 44 swlis.append(outsw) 45 return swlis 46 47 48 def getridofsw(lis, swlist): # 去除文章中的停用词 49 afterswlis = [] 50 for i in lis: 51 if str(i) in swlist: 52 continue 53 else: 54 afterswlis.append(str(i)) 55 return afterswlis 56 57 58 def freqword(wordlis): # 统计词频,并返回字典 59 freword = {} 60 for i in wordlis: 61 if str(i) in freword: 62 count = freword[str(i)] 63 freword[str(i)] = count+1 64 else: 65 freword[str(i)] = 1 66 return freword 67 68 69 def corpus(filelist, swlist): # 建立语料库 70 alllist = [] 71 for i in filelist: 72 afterswlis = getridofsw(toword(read(str(i))), swlist) 73 alllist.append(afterswlis) 74 return alllist 75 76 77 def wordinfilecount(word, corpuslist): # 查出包含该词的文档数 78 count = 0 # 计数器 79 for i in corpuslist: 80 for j in i: 81 if word in set(j): # 只要文档出现该词,这计数器加1,所以这里用集合 82 count = count+1 83 else: 84 continue 85 return count 86 87 88 def tf_idf(wordlis, filelist, corpuslist): # 计算TF-IDF,并返回字典 89 outdic = {} 90 tf = 0 91 idf = 0 92 dic = freqword(wordlis) 93 outlis = [] 94 for i in set(wordlis): 95 tf = dic[str(i)]/len(wordlis) # 计算TF:某个词在文章中出现的次数/文章总词数 96 # 计算IDF:log(语料库的文档总数/(包含该词的文档数+1)) 97 idf = math.log(len(filelist)/(wordinfilecount(str(i), corpuslist)+1)) 98 tfidf = tf*idf # 计算TF-IDF 99 outdic[str(i)] = tfidf 100 orderdic = sorted(outdic.items(), key=operator.itemgetter( 101 1), reverse=True) # 给字典排序 102 return orderdic 103 104 105 def befwry(lis): # 写入预处理,将list转为string 106 outall = '' 107 for i in lis: 108 ech = str(i).replace("('", '').replace("',", '\t').replace(')', '') 109 outall = outall+'\t'+ech+'\n' 110 return outall 111 112 113 def main(): 114 swpath = r'哈工大停用词表.txt'#停用词表路径 115 swlist = getstopword(swpath) # 获取停用词表列表 116 117 filepath = r'corpus' 118 filelist = fun(filepath) # 获取文件列表 119 120 wrypath = r'TFIDF.txt' 121 122 corpuslist = corpus(filelist, swlist) # 建立语料库 123 124 outall = '' 125 126 for i in filelist: 127 afterswlis = getridofsw(toword(read(str(i))), swlist) # 获取每一篇已经去除停用的词表 128 tfidfdic = tf_idf(afterswlis, filelist, corpuslist) # 计算TF-IDF 129 130 titleary = str(i).split('\\') 131 title = str(titleary[-1]).replace('utf8.txt', '') 132 echout = title+'\n'+befwry(tfidfdic) 133 print(title+' is ok!') 134 outall = outall+echout 135 print(wry(outall, wrypath)+' is ok!') 136 137 if __name__ == '__main__': 138 main()
总结:
TF-IDF算法的优点是简单快速,结果比较符合实际情况。
缺点是,单纯以"词频"衡量一个词的重要性,不够全面,有时重要的词可能出现次数并不多。
而且,这种算法无法体现词的位置信息,出现位置靠前的词与出现位置靠后的词,都被视为重要性相同,这是不正确的。(一种解决方法是,对全文的第一段和每一段的第一句话,给予较大的权重。)
TF-IDF与与余弦相似的应用:找相似文章
除了找到关键词,还希望找到与原文章相似的其他文章
需要用到余弦相似性:
句子A:我喜欢看电视,不喜欢看电影
句子B:我不喜欢看电视,也不喜欢看电影
基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。因此,可以从词频入手,计算它们的相似程度。
1、分词
句子A:我/喜欢/看/电视,不/喜欢/看/电影。
句子B:我/不/喜欢/看/电视,也/不/喜欢/看/电影。
2、列出所有值
我,喜欢,看,电视,电影,不,也。
3、计算词频
句子A:我 1,喜欢 2,看 2,电视 1,电影 1,不 1,也 0。
句子B:我 1,喜欢 2,看 2,电视 1,电影 1,不 2,也 1
4、写出词频向量。
句子A:[1, 2, 2, 1, 1, 1, 0]
句子B:[1, 2, 2, 1, 1, 2, 1]
我们可以通过夹角的大小,来判断向量的相似程度。夹角越小,就代表越相似。假定a向量是[x1, y1],b向量是[x2, y2],那么可以将余弦定理改写成下面的形式
结论:
我们就得到了"找出相似文章"的一种算法:
- 使用TF-IDF算法,找出两篇文章的关键词
- 每篇文章各取出若干个关键词(比如20个),合并成一个集合,计算每篇文章对于这个集合中的词的词频(为了避免文章长度的差异,可以使用相对词频);
- 生成两篇文章各自的词频向量
- 计算两个向量的余弦相似度,值越大就表示越相似
计算两个向量的余弦相似度,值越大就表示越相似
如何通过词频,对文章进行自动摘要
信息都包含在句子中,有些句子包含的信息多,有些句子包含的信息少。"自动摘要"就是要找出那些包含信息最多的句子。
句子的信息量用"关键词"来衡量。如果包含的关键词越多,就说明这个句子越重要。
Luhn提出用"簇"(cluster)表示关键词的聚集。所谓"簇"就是包含多个关键词的句子片段。
只要关键词之间的距离小于"门槛值",它们就被认为处于同一个簇之中。Luhn建议的门槛值是4或5。也就是说,如果两个关键词之间有5个以上的其他词,就可以把这两个关键词分在两个簇。
簇的重要性 = (包含的关键词数量)^2 / 簇的长度。其中的簇一共有7个词,其中4个是关键词。因此,它的重要性分值等于 ( 4 x 4 ) / 7 = 2.3。
然后,找出包含分值最高的簇的句子(比如5句),把它们合在一起,就构成了这篇文章的自动摘要
文章来自于:
谢谢作者!!!