使用nltk和scikit-learn从文本中为标签云挑选最相关的单词

Question

我想从文本中获取最相关的单词以准备标签云.

我使用scikit-learn包中的CountVectoriser:

cv = CountVectorizer(min_df=1, charset_error="ignore",
    stop_words="english", max_features=200)

这很好,因为它给了我的话和频率:

counts = cv.fit_transform([text]).toarray().ravel()
words = np.array(cv.get_feature_names())

我可以过滤非频繁的单词:

words = words[counts > 1]
counts = counts[counts > 1]

以及单词,即数字:

words = words[np.array(map(lambda x: x.isalpha(), words))]
counts = counts[np.array(map(lambda x: x.isalpha(), words))]

但它仍然不完美......

我的问题是:

1. 如何过滤掉动词？
2. 如何完全去除词干以摆脱不同形式的同一个词？
3. 如何调用CountVectoriser来过滤掉两个字母的单词？

还请注意:

1. 我很好NLTK但回答诸如"你应该尝试NLTK"不是一个答案,给我一个代码,请.
2. 我不想使用贝叶斯分类器和其他需要训练模型的技术.我没有时间,我没有训练分类器的例子.
3. 语言是英语

Answer 1

1-如何过滤掉动词？

取决于您要支持的语言.你需要一个好的句子+单词标记器对和一部分语音标记器.所有这三个组件通常都是使用机器学习模型实现的(尽管您可以使用基于规则的句子和单词标记器获得良好的结果).如果你只想支持英语,你可以在nltk找到预先训练过的模型,但我不是专家,你必须阅读文档和教程:)

一旦你知道如何将文本分成句子和单词并识别和删除动词,你可以将它包装为python函数并将其传递给CountVectorizer构造函数,请参阅下文.

2-如何完全去除词干以消除同一个词的不同形式？

您必须将tokenizer可调用的自定义python 传递给CountVectorizer构造函数,以同时处理标记提取,词干化和可选的过滤.这在文档中有解释.

对于词干本身,它取决于你想要支持的语言,但你可以从http://nltk.org/api/nltk.stem.html开始

有一个拉动请求,使插入一个词干分析器更自然:

https://github.com/scikit-learn/scikit-learn/pull/1537

3-如何调用CountVectorizer过滤掉两个字母的单词？

您可以更改用于标记化的默认正则表达式:

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> CountVectorizer().token_pattern
u'(?u)\\b\\w\\w+\\b'
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,}\\b').build_tokenizer()(
...    'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde', 'xxxxxxxxxxxxxxxxxxxxxx']
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,9}\\b').build_tokenizer()(
...     'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde']

但在您的情况下,您可能希望将标记生成器整体替换.您仍然可以查看默认实现的来源.

但需要注意的一点是:要构建标签云,直接使用nltk和collections.Counterpython标准库中的类可能要容易得多.sklearn对此任务没有太多帮助.