韩国三级强奸,人妖专区,国产三级片观看

手把手教你做文本挖掘

轉(zhuǎn)帖|使用教程|編輯：龔雪|2017-04-11 10:21:36.000|閱讀 340 次

概述：本文介紹了在實(shí)際的文本挖掘過(guò)程中，如何簡(jiǎn)化分詞部分挖掘的方法。

文| 劉順祥

文章開篇之前先來(lái)點(diǎn)福利：慧都學(xué)院4月三場(chǎng)免費(fèi)公開課，場(chǎng)場(chǎng)經(jīng)典不容錯(cuò)過(guò)，點(diǎn)擊文字即可報(bào)名。

一、文本挖掘定義

文本挖掘指的是從文本數(shù)據(jù)中獲取有價(jià)值的信息和知識(shí)，它是數(shù)據(jù)挖掘中的一種方法。文本挖掘中最重要最基本的應(yīng)用是實(shí)現(xiàn)文本的分類和聚類，前者是有監(jiān)督的挖掘算法，后者是無(wú)監(jiān)督的挖掘算法。

二、文本挖掘步驟

1)讀取數(shù)據(jù)庫(kù)或本地外部文本文件

2)文本分詞

2.1)自定義字典

2.2)自定義停止詞

2.3)分詞

2.4)文字云檢索哪些詞切的不準(zhǔn)確、哪些詞沒有意義，需要循環(huán)2.1、2.2和 2.3步驟

3)構(gòu)建文檔-詞條矩陣并轉(zhuǎn)換為數(shù)據(jù)框

4)對(duì)數(shù)據(jù)框建立統(tǒng)計(jì)、挖掘模型

5)結(jié)果反饋

三、文本挖掘所需工具

本次文本挖掘?qū)⑹褂肦語(yǔ)言實(shí)現(xiàn)，除此還需加載幾個(gè)R包，它們是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包無(wú)法在CRAN鏡像中下載到，有關(guān)這兩個(gè)包的下載方法。

四、實(shí)戰(zhàn)

本文所用數(shù)據(jù)集來(lái)自于sougou實(shí)驗(yàn)室數(shù)據(jù)，具體可至

本文對(duì)該數(shù)據(jù)集做了整合，將各個(gè)主題下的新聞匯總到一張csv表格中，數(shù)據(jù)格式如下圖所示：

具體數(shù)據(jù)可至文章后面的鏈接。

接下來(lái)需要對(duì)新聞內(nèi)容進(jìn)行分詞，在分詞之前需要導(dǎo)入一些自定義字典，目的是提高切詞的準(zhǔn)確性。由于文本中涉及到軍事、醫(yī)療、財(cái)經(jīng)、體育等方面的內(nèi)容，故需要將搜狗字典插入到本次分析的字典集中。

如果需要卸載某些已導(dǎo)入字典的話，可以使用uninstallDict()函數(shù)。

分詞前將中文中的英文字母統(tǒng)統(tǒng)去掉。

圖中圈出來(lái)的詞對(duì)后續(xù)的分析并沒有什么實(shí)際意義，故需要將其剔除，即刪除停止詞。

停止詞創(chuàng)建好后，該如何刪除76條新聞中實(shí)際意義的詞呢?下面通過(guò)自定義刪除停止詞的函數(shù)加以實(shí)現(xiàn)。

相比與之前的分詞結(jié)果，這里瘦身了很多，剔除了諸如“是”、“的”、“到”、“這”等無(wú)意義的次。判別分詞結(jié)果的好壞，最快捷的方法是繪制文字云，可以清晰的查看哪些詞不該出現(xiàn)或哪些詞分割的不準(zhǔn)確。

仍然存在一些無(wú)意義的詞(如說(shuō)、日、個(gè)、去等)和分割不準(zhǔn)確的詞語(yǔ)(如黃金周切割為黃金，醫(yī)藥切割為藥等)，這里限于篇幅的原因，就不進(jìn)行再次添加自定義詞匯和停止詞。

此時(shí)語(yǔ)料庫(kù)中存放了76條新聞的分詞結(jié)果。

從圖中可知，文檔-詞條矩陣包含了76行和7939列，行代表76條新聞，列代表7939個(gè)詞;該矩陣實(shí)際上為稀疏矩陣，其中矩陣中非0元素有11655個(gè)，而0元素有591709，稀疏率達(dá)到98%;最后，這7939個(gè)詞中，最頻繁的一個(gè)詞出現(xiàn)在了49條新聞中。

由于稀疏矩陣的稀疏率過(guò)高，這里將剔除一些出現(xiàn)頻次極地的詞語(yǔ)。