sklearn：想扩展 CountVectorizer 以模糊匹配词汇

Question

我打算尝试使用带有调整过的可接受分数参数的 Fuzzywuzzy 基本上它会检查单词是否按原样在词汇表中，如果不是，它会要求 Fuzzywuzzy 选择最佳模糊匹配，并接受列表令牌，如果它至少是一个特定的分数。

如果这不是处理大量拼写错误和拼写略有不同但相似的单词的最佳方法，我愿意接受建议。

问题是子类一直抱怨它有一个空词汇表，这没有任何意义，因为当我在代码的同一部分使用常规计数向量化器时，它工作正常。

它会吐出很多这样的错误： ValueError: empty words; 也许文档只包含停用词

我错过了什么？我还没有让它做任何特别的事情。它应该像往常一样工作：

class FuzzyCountVectorizer(CountVectorizer):
    def __init__(self, input='content', encoding='utf-8', decode_error='strict',
                 strip_accents=None, lowercase=True, preprocessor=None, tokenizer=None, stop_words=None,
                 token_pattern="(?u)\b\w\w+\b", ngram_range=(1, 1), analyzer='word',
                 max_df=1.0, min_df=1, max_features=None, vocabulary=None, binary=False,
                 dtype=numpy.int64, min_fuzzy_score=80):
        super().__init__(
            input=input, encoding=encoding, decode_error=decode_error, strip_accents=strip_accents,
            lowercase=lowercase, preprocessor=preprocessor, tokenizer=tokenizer, stop_words=stop_words,
            token_pattern=token_pattern, ngram_range=ngram_range, analyzer=analyzer, max_df=max_df,
            min_df=min_df, max_features=max_features, vocabulary=vocabulary, binary=binary, dtype=dtype)
        # self._trained = False
        self.min_fuzzy_score = min_fuzzy_score

    @staticmethod
    def remove_non_alphanumeric_chars(s: str) -> 'str':
        pass

    @staticmethod
    def tokenize_text(s: str) -> 'List[str]':
        pass

    def fuzzy_repair(self, sl: 'List[str]') -> 'List[str]':
        pass

    def fit(self, raw_documents, y=None):
        print('Running FuzzyTokenizer Fit')
        #TODO clean up input
        super().fit(raw_documents=raw_documents, y=y)
        self._trained = True
        return self

    def transform(self, raw_documents):
        print('Running Transform')
        #TODO clean up input
        #TODO fuzzyrepair
        return super().transform(raw_documents=raw_documents)

Answer 1

scikit-learn 的原始函数定义CountVectorizer有

token_pattern=r"(?u)\b\w\w+\b"

而在您的子类中，您不使用转义r字符串前缀，因此出现此问题。另外，不用复制所有__init__参数，直接使用可能会更容易，

def __init__(self, *args, **kwargs):
     self.min_fuzzy_score = kwargs.pop('min_fuzzy_score', 80)
     super().__init__(*args, **kwargs)

至于这是否是最佳方法，取决于数据集的大小。对于总词汇量N_words和词汇量的文档集N_vocab_size，这种方法需要进行O(N_words*N_vocab_size)繁琐的单词比较。虽然如果您使用标准对数据集进行矢量化CountVectorizer，然后通过模糊匹配减少计算词汇量（和 bag od 单词矩阵），则需要“仅”O(N_vocab_size**2)比较。

对于超过 10,000 个单词的词汇量，这可能仍然无法很好地扩展。如果您打算对生成的稀疏数组应用一些机器学习算法，您可能还想尝试字符 n 元语法，它对于印刷错误也有一定的鲁棒性。