日韩欧美综合在线,国产自拍欧美视频,日韩欧美国产精品

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：本文介紹了在實際的文本挖掘過程中，如何簡化分詞部分挖掘的方法。

文| 劉順祥

文章開篇之前先來點福利：慧都學院4月三場免費公開課，場場經(jīng)典不容錯過，點擊文字即可報名。

一、文本挖掘定義

文本挖掘指的是從文本數(shù)據(jù)中獲取有價值的信息和知識，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，后者是無監(jiān)督的挖掘算法。

二、文本挖掘步驟

1)讀取數(shù)據(jù)庫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)對數(shù)據(jù)框建立統(tǒng)計、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褂肦語言實現(xiàn)，除此還需加載幾個R包，它們是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包無法在CRAN鏡像中下載到，有關(guān)這兩個包的下載方法。

四、實戰(zhàn)

本文所用數(shù)據(jù)集來自于sougou實驗室數(shù)據(jù)，具體可至

本文對該數(shù)據(jù)集做了整合，將各個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。

接下來需要對新聞內(nèi)容進行分詞，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確性。由于文本中涉及到軍事、醫(yī)療、財經(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。

圖中圈出來的詞對后續(xù)的分析并沒有什么實際意義，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條新聞中實際意義的詞呢?下面通過自定義刪除停止詞的函數(shù)加以實現(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確。

仍然存在一些無意義的詞(如說、日、個、去等)和分割不準確的詞語(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，就不進行再次添加自定義詞匯和停止詞。

此時語料庫中存放了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個詞;該矩陣實際上為稀疏矩陣，其中矩陣中非0元素有11655個，而0元素有591709，稀疏率達到98%;最后，這7939個詞中，最頻繁的一個詞出現(xiàn)在了49條新聞中。

由于稀疏矩陣的稀疏率過高，這里將剔除一些出現(xiàn)頻次極地的詞語。

這樣一來，矩陣中列大幅減少，當前矩陣只包含了116列，即116個詞語。

為了便于進一步的統(tǒng)計建模，需要將矩陣轉(zhuǎn)換為數(shù)據(jù)框格式。

總結(jié)

所以在實際的文本挖掘過程中，最為困難和耗費時間的就是分詞部分，既要準確分詞，又要剔除無意義的詞語，這對文本挖掘者是一種挑戰(zhàn)。文中數(shù)據(jù)和腳本可至如下鏈接下載：訪問密碼 a88b

更多行業(yè)資訊，更新鮮的技術(shù)動態(tài)，盡在。

標簽：

本站文章除注明轉(zhuǎn)載外，均為本站原創(chuàng)或翻譯。歡迎任何形式的轉(zhuǎn)載，但請務(wù)必注明出處、不得修改原文相關(guān)鏈接，如果存在內(nèi)容上的異議請郵件反饋至chenjj@fc6vip.cn

上一篇：Apriori算法原理總結(jié) 下一篇：MyEclipse Spring開發(fā)教程：使用基本的Spring功能（二）

金喜正規(guī)買球相關(guān)的文章 MORE

服務(wù)電話

重慶/ 023-68661681

華東/ 13452821722

華南/ 18100878085

華北/ 17347785263

客戶支持

技術(shù)支持咨詢服務(wù)

服務(wù)熱線：400-700-1020

郵箱：sales@fc6vip.cn

關(guān)注我們

地址 : 重慶市九龍坡區(qū)火炬大道69號6幢

掃碼咨詢

添加微信立即咨詢

電話咨詢

客服熱線
023-68661681

TOP

電話

国产自产第一-国产自产对白一区-国产自产精品-国产自产区44页-国产自产在线-国产自产自拍-国产自产自拍视频-国产自精品

金喜正规买球

在線采購

中文文檔庫

試用/Demo下載

開發(fā)社群

手把手教你做文本挖掘

一、文本挖掘定義

二、文本挖掘步驟

三、文本挖掘所需工具

四、實戰(zhàn)

總結(jié)

用科技創(chuàng)就卓越

Create excellence with technology

国产自产第一-国产自产对白一区-国产自产精品-国产自产区44页-国产自产在线-国产自产自拍-国产自产自拍视频-国产自精品

金喜正规买球

在線采購

中文文檔庫

試用/Demo下載

開發(fā)社群

手把手教你做文本挖掘

一、文本挖掘定義

二、文本挖掘步驟

三、文本挖掘所需工具

四、實戰(zhàn)

總結(jié)

為你推薦

用科技創(chuàng)就卓越

Create excellence with technology

一、文本挖掘定義

二、文本挖掘步驟

三、文本挖掘所需工具

四、實戰(zhàn)