Python中的文本聚类

Question

我需要收集一些文本文档，并一直在研究各种选择。看起来LingPipe可以在没有事先转换（到向量空间等）的情况下对纯文本进行集群，但它是我见过的唯一明确声称可以处理字符串的工具。

是否有任何Python工具可以直接对文本进行集群？如果没有，最好的办法是什么？

Answer 1

文本聚类的质量主要取决于两个因素：

1. 一些你想要聚类的文档之间相似性的概念。例如，通过tfidf余弦距离可以很容易地区分向量空间中有关体育和政治的新闻文章。基于这种衡量标准，将产品评论分为“好”和“坏”要困难得多。

2. 聚类方法本身。你知道会有多少个集群吗？好的，使用kmeans。你不关心准确性，但想显示一个很好的树结构导航搜索结果？使用某种层次聚类。

没有文本聚类解决方案，在任何情况下都能很好地工作。因此，仅仅从盒子里拿出一些集群软件并把数据扔给它可能是不够的。

话虽如此，这里有一些实验性的代码，我以前用它来处理文本聚类。文档表示为标准化的tfidf向量，相似度度量为余弦距离。聚类方法本身就是majorclust。

import sys
from math import log, sqrt
from itertools import combinations

def cosine_distance(a, b):
    cos = 0.0
    a_tfidf = a["tfidf"]
    for token, tfidf in b["tfidf"].iteritems():
        if token in a_tfidf:
            cos += tfidf * a_tfidf[token]
    return cos

def normalize(features):
    norm = 1.0 / sqrt(sum(i**2 for i in features.itervalues()))
    for k, v in features.iteritems():
        features[k] = v * norm
    return features

def add_tfidf_to(documents):
    tokens = {}
    for id, doc in enumerate(documents):
        tf = {}
        doc["tfidf"] = {}
        doc_tokens = doc.get("tokens", [])
        for token in doc_tokens:
            tf[token] = tf.get(token, 0) + 1
        num_tokens = len(doc_tokens)
        if num_tokens > 0:
            for token, freq in tf.iteritems():
                tokens.setdefault(token, []).append((id, float(freq) / num_tokens))

    doc_count = float(len(documents))
    for token, docs in tokens.iteritems():
        idf = log(doc_count / len(docs))
        for id, tf in docs:
            tfidf = tf * idf
            if tfidf > 0:
                documents[id]["tfidf"][token] = tfidf

    for doc in documents:
        doc["tfidf"] = normalize(doc["tfidf"])

def choose_cluster(node, cluster_lookup, edges):
    new = cluster_lookup[node]
    if node in edges:
        seen, num_seen = {}, {}
        for target, weight in edges.get(node, []):
            seen[cluster_lookup[target]] = seen.get(
                cluster_lookup[target], 0.0) + weight
        for k, v in seen.iteritems():
            num_seen.setdefault(v, []).append(k)
        new = num_seen[max(num_seen)][0]
    return new

def majorclust(graph):
    cluster_lookup = dict((node, i) for i, node in enumerate(graph.nodes))

    count = 0
    movements = set()
    finished = False
    while not finished:
        finished = True
        for node in graph.nodes:
            new = choose_cluster(node, cluster_lookup, graph.edges)
            move = (node, cluster_lookup[node], new)
            if new != cluster_lookup[node] and move not in movements:
                movements.add(move)
                cluster_lookup[node] = new
                finished = False

    clusters = {}
    for k, v in cluster_lookup.iteritems():
        clusters.setdefault(v, []).append(k)

    return clusters.values()

def get_distance_graph(documents):
    class Graph(object):
        def __init__(self):
            self.edges = {}

        def add_edge(self, n1, n2, w):
            self.edges.setdefault(n1, []).append((n2, w))
            self.edges.setdefault(n2, []).append((n1, w))

    graph = Graph()
    doc_ids = range(len(documents))
    graph.nodes = set(doc_ids)
    for a, b in combinations(doc_ids, 2):
        graph.add_edge(a, b, cosine_distance(documents[a], documents[b]))
    return graph

def get_documents():
    texts = [
        "foo blub baz",
        "foo bar baz",
        "asdf bsdf csdf",
        "foo bab blub",
        "csdf hddf kjtz",
        "123 456 890",
        "321 890 456 foo",
        "123 890 uiop",
    ]
    return [{"text": text, "tokens": text.split()}
             for i, text in enumerate(texts)]

def main(args):
    documents = get_documents()
    add_tfidf_to(documents)
    dist_graph = get_distance_graph(documents)

    for cluster in majorclust(dist_graph):
        print "========="
        for doc_id in cluster:
            print documents[doc_id]["text"]

if __name__ == '__main__':
    main(sys.argv)

对于实际的应用程序，你可以使用一个像样的标记器，使用整数而不是标记字符串，并且不计算O（n^2）距离矩阵。。。

Answer 2

Python库NLTK支持语言分析，包括聚类文本

Answer 3

似乎可以使用简单的UNIX命令行工具将这些文档的文本内容提取到文本文件中，然后使用纯Python解决方案进行实际的集群。

我发现了一个通常用于聚类数据的代码片段：

http://www.daniweb.com/code/snippet216641.html

一个Python包：

http://python-cluster.sourceforge.net/

另一个python包（主要用于生物信息学）：

http://bonsai.ims.u-tokyo.ac.jp/~mdehoon/software/cluster/software.htm#pycluster