文本挖掘 订阅
《文本挖掘(英文版)》是 2009年8月人民邮电出版社出版的图书,作者是费尔德曼。该书中涵盖了核心文本挖掘操作、文本挖掘预处理技术、分类、聚类、信息提取、信息提取的概率模型、预处理应用、可视化方法、链接分析、文本挖掘应用等内容,很好地结合了文本挖掘的理论和实践。 [1] 展开全文
《文本挖掘(英文版)》是 2009年8月人民邮电出版社出版的图书,作者是费尔德曼。该书中涵盖了核心文本挖掘操作、文本挖掘预处理技术、分类、聚类、信息提取、信息提取的概率模型、预处理应用、可视化方法、链接分析、文本挖掘应用等内容,很好地结合了文本挖掘的理论和实践。 [1]
信息
ISBN
9787115205353
作    者
费尔德曼
定    价
69元
书    名
文本挖掘(英文版)
出版时间
2009年08月
开    本
16
出版社
人民邮电出版社
文本挖掘(英文版)内容简介
《文本挖掘(英文版)》是一部文本挖掘领域名著,作者为世界知名的权威学者。《文本挖掘(英文版)》非常适合文本挖掘、信息检索领域的研究人员和实践者阅读,也适合作为高等院校计算机及相关专业研究生的数据挖掘和知识发现等课程的教材。
收起全文
精华内容
下载资源
问答
  • 文本挖掘

    2019-09-22 00:42:47
    文本挖掘 1. 文本挖掘 1.1. 什么是文本挖掘 文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后...

     文本挖掘

     

    1.      文本挖掘

    1.1.    什么是文本挖掘

    文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后者是无监督的挖掘算法。

    文本挖掘是一个多学科混杂的领域,涵盖了多种技术,包括数据挖掘技术、信息抽取、信息检索,机器学习、自然语言处理、计算语言学、统计数据分析、线性几何、概率理论甚至还有图论。

     

    1.2.    文本挖掘有什么用

    1、文本分类

    文本分类是一种典型的机器学习方法,一般分为训练和分类两个阶段。文本分类一般采用统计方法或机器学习来实现。

     

    2、文本聚类

    文本聚类是一种典型的无监督式机器学习方法,聚类方法的选择取决于数据类型。

    首先,文档聚类可以发现与某文档相似的一批文档,帮助知识工作者发现相关知识;其次,文档聚类可以将一类文档聚类成若干个类,提供一种组织文档集合的方法;再次,文档聚类还可以生成分类器以对文档进行分类。

    文本挖掘中的聚类可用于:提供大规模文档内容总括;识别隐藏的文档间的相似度;减轻浏览相关、相似信息的过程。

     

    3、信息检索

    主要是利用计算机系统的快速计算能力,从海量文档中寻找用户需要的相关文档。

     

    4、信息抽取

    信息抽取是把文本里包含的信息进行结构化处理,变成表格一样的组织形式。输入信息抽取系统的是原始文本,输出的是固定格式的信息。

     

    5、自动文摘

    利用计算机自动的从原始文档中提取出文档的主要内容。互联网上的文本信息、机构内部的文档及数据库的内容都在成指数级的速度增长,用户在检索信息的时候,可以得到成千上万篇的返回结果,其中许多是与其信息需求无关或关系不大的,如果要剔除这些文档,则必须阅读完全文,这要求用户付出很多劳动,而且效果不好。

    自动文摘能够生成简短的关于文档内容的指示性信息,将文档的主要内容呈现给用户,以决定是否要阅读文档的原文,这样能够节省大量的浏览时间。简单地说自动文摘就是利用计算机自动地从原始文档中提取全面准确地反映该文档中心内容的简单连贯的短文。

    自动文摘具有以下特点:

    (1)自动文摘应能将原文的主题思想或中心内容自动提取出来。

    (2)文摘应具有概况性、客观性、可理解性和可读性。

    (3)可适用于任意领域。

    按照生成文摘的句子来源,自动文摘方法可以分成两类,一类是完全使用原文中的句子来生成文摘,另一类是可以自动生成句子来表达文档的内容。后者的功能更强大,但在实现的时候,自动生成句子是一个比较复杂的问题,经常出现产生的新句子不能被理解的情况,因此目前大多用的是抽取生成法。

     

    6、自动问答

    自动问答是指对于用户提出的问题,计算机可以自动的从相关资料中求解答案并作出相应的回答。自动问答系统一般包括 3 个组成部分:问题分析、信息检索和答案抽取。

     

    7、机器翻译

    利用计算机将一种源语言转变为另一种源语言的过程。

     

    8、信息过滤

    指计算机系统可以自动的进行过滤操作,将满足条件的信息保留,将不满足条件的文档过滤掉。信息过滤技术主要用于信息安全领域。

     

    9、自动语音识别

    自动语音识别就是将输入计算机的自然语言转换成文本表示的书面语。

     

    1.3.    文本挖掘操作步骤

    1、获取文本

    现有数据导入,或者爬虫获取网络文本。

     

    2、文本预处理

    指剔除噪声文档以改进挖掘精度,或者在文档数量过多时仅选取一部分样本以提高挖掘效率。

    例如网页中存在很多不必要的信息,比如说一些广告,导航栏,html、js代码,注释等等并不需要的信息,可以删除掉。如果是需要正文提取,可以利用标签用途、标签密度判定、数据挖掘思想、视觉网页块分析技术等等策略抽取出正文。

     

    3、文本的语言学处理

    (1)分词

    接下来的步骤就是分词。

    (2)词性标注

    同时也可以使用词性标注。通过很多分词工具分出来的出会出现一个词,外加该词的词性。比如说啊是语气助词。

     

    (3)去除停用词

    比如说句号、是、的等词,没有什么实际的意义。然而这些词在所有的文章中都大量存在,并不能反应出文本的意思,可以处理掉。当然针对不同的应用还有很多其他词性也是可以去掉的,比如形容词等。

     

    4、文本的数学处理-特征提取

    我们希望获取到的词汇,既能保留文本的信息,同时又能反映它们的相对重要性。如果对所有词语都保留,维度会特别高,矩阵将会变得特别稀疏,严重影响到挖掘结果。所以这就需要特征提取。

    特征选取的方式有4种:

    (1)用映射或变换的方法把原始特征变换为较少的新特征;

    (2)从原始特征中挑选出一些最具代表性的特征;

    (3)根据专家的知识挑选最有影响的特征;

    (4)用数学的方法进行选取,找出最具分类信息的特征,这种方法是一种比较精确的方法,人为因素的干扰较少,尤其适合于文本自动分类挖掘系统的应用。

     

    5、分类聚类

    经过上面的步骤之后,我们就可以把文本集转化成一个矩阵。我们能够利用各种算法进行挖掘,比如说如果要对文本集进行分类,分类常用的方法有:简单贝叶斯分类法,矩阵变换法、K-最近邻参照分类算法以及支持向量机分类方法等。

     

    聚类方法通常有:层次聚类法、平面划分法、简单贝叶斯聚类法、K-最近邻聚类法、分级聚类法等。

    6、数据可视化

    最后一步当然就是数据结构的可视化展示,通过合适的可视化图形生动形象展示,让读者听众更容易理解你所要表达的信息。

    文本可视化最常用的图形就是词云。

     

    四、文本挖掘工具

    1、python语言jieba、gensim、sklearn、WordCloud和matplotlib包

    2、R语言jieba、tm、tmcn、Rwordseg和wordcloud包

    3、SAS text miner

    4、SPSS Text Mining

     

    转载于:https://www.cnblogs.com/wodeboke-y/p/11562856.html

    展开全文
  • 文本挖掘、中文文本、R语言、语料库、统计模型、
  • Python大数据分析系列博客,包括网络爬虫、可视化分析、GIS地图显示、情感分析...这篇文章将抓取微博话题及评论信息,采用SnowNLP进行简单的情感分析及文本挖掘,包括随时间的情感分布。希望这篇基础性文章对您有所帮助

    思来想去,虽然很忙,但还是挤时间针对这次肺炎疫情写个Python大数据分析系列博客,包括网络爬虫、可视化分析、GIS地图显示、情感分析、舆情分析、主题挖掘、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。希望该系列线上远程教学对您有所帮助,也希望早点战胜病毒,武汉加油、湖北加油、全国加油。待到疫情结束樱花盛开,这座英雄的城市等你们来。

    首先说声抱歉,最近一直忙着学习安全知识,其他系列文章更新较慢,已经有一些人催更了。言归正传,前文分享了疫情相关新闻数据爬取,并进行中文分词处理及文本聚类、LDA主题模型分析。这篇文章将抓取微博话题及评论信息,采用SnowNLP进行简单的情感分析及文本挖掘,包括随时间的情感分布。希望这篇基础性文章对您有所帮助,也非常感谢参考文献中老师的分享,一起加油,战胜疫情!如果您有想学习的知识或建议,可以给作者留言~

    在这里插入图片描述

    在这里插入图片描述

    代码下载地址:https://github.com/eastmountyxz/Wuhan-data-analysis
    CSDN下载地址:https://download.csdn.net/download/Eastmount/12239638

    同时推荐前面作者另外五个Python系列文章。从2014年开始,作者主要写了三个Python系列文章,分别是基础知识、网络爬虫和数据分析。2018年陆续增加了Python图像识别和Python人工智能专栏。

    在这里插入图片描述

    前文阅读:
    [Pyhon疫情大数据分析] 一.腾讯实时数据爬取、Matplotlib和Seaborn可视化分析全国各地区、某省各城市、新增趋势
    [Pyhon疫情大数据分析] 二.PyEcharts绘制全国各地区、某省各城市疫情地图及可视化分析
    [Pyhon疫情大数据分析] 三.新闻信息抓取及词云可视化、文本聚类和LDA主题模型文本挖掘



    一.微博话题数据抓取

    该部分内容参考及修改我的学生兼朋友“杨友”的文章,也推荐博友们阅读他的博客,给予支持。作为老师,最开心的事就是看到学生成长和收获。他的博客地址:python爬虫爬取微博之战疫情用户评论及详情

    微博网址: https://m.weibo.cn/


    1.爬虫解析

    第一步,进入微博审查元素,定位评论对应节点,后续抓取评论信息。
    进入微博后,点击《战疫情》主题下,并随便选择一个动态进行分析,我就选择了“央视新闻网”的一条动态“https://m.weibo.cn/detail/4471652190688865”进行分析。

    在这里插入图片描述

    我们刚打开该话题的时候,它显示的是187条评论,但是在审查时可以看到文章中的20个div,并且每个div中装载一条评论,每个页面原始就只能显示20条评论。

    在这里插入图片描述

    当我们把鼠标不断向下滑动的过程中,网页元素中的div也不断随评论的增加而增加,当活动到底部时,所有评论都加载出来了。初步判断该网页属于ajax加载类型,所以先就不要考虑用requests请求服务器了。


    第二步,获取Ajax加载的动态链接数据,通过发布id定位每条话题。
    这些数据都是通过Ajax动态加载的,点击到《战疫情》主题,发现它的URL并没有变化,具体浏览几篇文章后发现,它的的部分URL都是统一的,文章链接 = ‘https://m.weibo.cn/detail/’+发布时的id,可以通过刚找到的 id 在浏览器中拼接试试。

    在这里插入图片描述

    比如下图所示的微博内容。比如:https://m.weibo.cn/detail/4472846740547511

    在这里插入图片描述


    第三步,下拉网页动态刷新数据,发现获取多个page的规律。
    接下来是获取它下一个加载数据的通道,同样是通过抓包的方式获取,不断的下拉网页,加载出其他的Ajax数据传输通道,再进行对比。可以很明显的看出,它的当前链接就只是带上了 “&page=当前数字” 的标签,并且每次加载出18篇动态文章。

    在这里插入图片描述

    查看元素信息如下图所示,每个page显示18个微博话题。

    在这里插入图片描述

    第四步,调用json.loads()函数或在线网站解析Json数据。
    拿到的数据是json格式,再提取信息前需要把str文本转化为json数据,进行查找,可以使用json库查看它的结构 ,也可以在线json解析查看它的结构,更推荐在线解析,方法结构比较清晰。

    在线解析后的结果,简单的给它打上标签,每一个等级为一块,一级包括二级和三级,二级包括三级… 然后通过前面的标签进行迭代输出,索引出来。在线网站:https://www.json.cn/

    在这里插入图片描述


    第五步,获取每条微博的ID值。
    调用方法如下,然后把拿到的id加在https://m.weibo.cn/detail/ 的后面就可以访问具体的文章了。

    import requests
    api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059'
    reponse = requests.get(api_url)
    for json in reponse.json()['data']['statuses']:
        comment_ID = json['id']
        print (comment_ID)
    

    在这里插入图片描述

    此时提取所有链接代码如下:

    import requests,time
    from fake_useragent import UserAgent
    
    comment_urls = []
    def get_title_id():
        '''爬取战疫情首页的每个主题的ID'''
        for page in range(1,3):# 这是控制ajax通道的量
            headers = {
                "User-Agent" : UserAgent().chrome #chrome浏览器随机代理
            }
            time.sleep(2)
            # 该链接通过抓包获得
            api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)
            print (api_url)
            rep = requests.get(url=api_url, headers=headers)
            for json in rep.json()['data']['statuses']:
                comment_url = 'https://m.weibo.cn/detail/' + json['id']
                print (comment_url)
                comment_urls.append(comment_url)
    get_title_id()
    

    输出结果如下:

    https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=1
    https://m.weibo.cn/detail/4472725286834498
    https://m.weibo.cn/detail/4472896510211624
    https://m.weibo.cn/detail/4472846892243445
    https://m.weibo.cn/detail/4472901455185821
    https://m.weibo.cn/detail/4472856669039437
    https://m.weibo.cn/detail/4472897055545751
    https://m.weibo.cn/detail/4472891342667233
    https://m.weibo.cn/detail/4472879381479272
    https://m.weibo.cn/detail/4472889565122923
    https://m.weibo.cn/detail/4472884950738226
    https://m.weibo.cn/detail/4472883461527008
    https://m.weibo.cn/detail/4472904014106917
    ......
    

    第六步,调用requests ajax 爬取更多信息。
    现在需要获取更多的信息,如用户id、性别之类的,这不是selenium可以完成的操作了,还得使用ajax的方式获取json数据,提取详细的信息。这里有个字段是max_id, 我们需要在上一个json文件底部找到该值。

    目标:话题链接、话题内容、楼主ID、楼主昵称、楼主性别、发布日期、发布时间、转发量、评论量、点赞量、评论者ID、评论者昵称、评论者性别、评论日期、评论时间、评论内容

    • 第一个通道

    在这里插入图片描述

    • 现在可以预测下一个max_id
      成功的通过上一个通道拿到了下一个通道的max_id,现在就可以使用ajax加载数据了。
      在这里插入图片描述


    2.爬虫完整代码

    # -*- coding: utf-8 -*-
    import requests,random,re
    import time
    import os
    import csv
    import sys
    import json
    import importlib
    from fake_useragent import UserAgent
    from lxml import etree
    
    importlib.reload(sys)
    startTime = time.time() #记录起始时间
    
    #--------------------------------------------文件存储-----------------------------------------------------
    path = os.getcwd() + "/weiboComments.csv"
    csvfile = open(path, 'a', newline='', encoding = 'utf-8-sig')
    writer = csv.writer(csvfile)
    #csv头部
    writer.writerow(('话题链接','话题内容','楼主ID', '楼主昵称', '楼主性别','发布日期',
                     '发布时间', '转发量','评论量','点赞量', '评论者ID', '评论者昵称',
                     '评论者性别', '评论日期', '评论时间','评论内容')) 
    
    #设置heades
    headers = {
        'Cookie': '_T_WM=22822641575; H5_wentry=H5; backURL=https%3A%2F%2Fm.weibo.cn%2F; ALF=1584226439; MLOGIN=1; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5RJaVYrb.BEuOvUQ8Ca2OO5JpX5K-hUgL.FoqESh-7eKzpShM2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMceoBfeh2EeKBN; SCF=AnRSOFp6QbWzfH1BqL4HB8my8eWNC5C33KhDq4Ko43RUIzs6rjJC49kIvz5_RcOJV2pVAQKvK2UbAd1Uh6j0pyo.; SUB=_2A25zQaQBDeRhGeBM71cR8SzNzzuIHXVQzcxJrDV6PUJbktAKLXD-kW1NRPYJXhsrLRnku_WvhsXi81eY0FM2oTtt; SUHB=0mxU9Kb_Ce6s6S; SSOLoginState=1581634641; WEIBOCN_FROM=1110106030; XSRF-TOKEN=dc7c27; M_WEIBOCN_PARAMS=oid%3D4471980021481431%26luicode%3D20000061%26lfid%3D4471980021481431%26uicode%3D20000061%26fid%3D4471980021481431',
        'Referer': 'https://m.weibo.cn/detail/4312409864846621',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36',
        'X-Requested-With': 'XMLHttpRequest'
    }
    
    #-----------------------------------爬取战疫情首页的每个主题的ID------------------------------------------
    comments_ID = []
    def get_title_id():
        for page in range(1,21):  #每个页面大约有18个话题
            headers = {
                "User-Agent" : UserAgent().chrome #chrome浏览器随机代理
            }
            time.sleep(1)
            #该链接通过抓包获得
            api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page)
            print(api_url)
            rep = requests.get(url=api_url, headers=headers)
            #获取ID值并写入列表comment_ID中
            for json in rep.json()['data']['statuses']:
                comment_ID = json['id'] 
                comments_ID.append(comment_ID)
    
    #-----------------------------------爬取战疫情每个主题的详情页面------------------------------------------         
    def spider_title(comment_ID):
        try:
            article_url = 'https://m.weibo.cn/detail/'+ comment_ID
            print ("article_url = ", article_url)
            html_text = requests.get(url=article_url, headers=headers).text
            #话题内容
            find_title = re.findall('.*?"text": "(.*?)",.*?', html_text)[0]
            title_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', find_title) #正则匹配掉html标签
            print ("title_text = ", title_text)
            #楼主ID
            title_user_id = re.findall('.*?"id": (.*?),.*?', html_text)[1]
            print ("title_user_id = ", title_user_id)
            #楼主昵称
            title_user_NicName = re.findall('.*?"screen_name": "(.*?)",.*?', html_text)[0]
            print ("title_user_NicName = ", title_user_NicName)
            #楼主性别
            title_user_gender = re.findall('.*?"gender": "(.*?)",.*?', html_text)[0]
            print ("title_user_gender = ", title_user_gender)
            #发布时间
            created_title_time = re.findall('.*?"created_at": "(.*?)".*?', html_text)[0].split(' ')
            #日期
            if 'Mar' in created_title_time:
                title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '03', created_title_time[2])
            elif 'Feb' in created_title_time:
                title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '02', created_title_time[2])
            elif 'Jan' in created_title_time:
                title_created_YMD = "{}/{}/{}".format(created_title_time[-1], '01', created_title_time[2])
            else:
                print ('该时间不在疫情范围内,估计数据有误!URL = ')
                pass
            print ("title_created_YMD = ", title_created_YMD)
            #发布时间
            add_title_time = created_title_time[3]
            print ("add_title_time = ", add_title_time)
            #转发量
            reposts_count = re.findall('.*?"reposts_count": (.*?),.*?', html_text)[0]
            print ("reposts_count = ", reposts_count)
            #评论量
            comments_count = re.findall('.*?"comments_count": (.*?),.*?', html_text)[0]
            print ("comments_count = ", comments_count)
            #点赞量
            attitudes_count = re.findall('.*?"attitudes_count": (.*?),.*?', html_text)[0]
            print ("attitudes_count = ", attitudes_count)   
            comment_count = int(int(comments_count) / 20) #每个ajax一次加载20条数据
            position1 = (article_url, title_text, title_user_id, title_user_NicName,title_user_gender, title_created_YMD, add_title_time, reposts_count, comments_count, attitudes_count, " ", " ", " ", " "," ", " ")
            #写入数据
            writer.writerow((position1))
            return comment_count
        except:
            pass
    
    
    #-------------------------------------------------抓取评论信息---------------------------------------------------
    #comment_ID话题编号
    def get_page(comment_ID, max_id, id_type):
        params = {
            'max_id': max_id,
            'max_id_type': id_type
        }
        url = ' https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id'.format(comment_ID, comment_ID)
        try:
            r = requests.get(url, params=params, headers=headers)
            if r.status_code == 200:
                return r.json()
        except requests.ConnectionError as e:
            print('error', e.args)
            pass
    
    #-------------------------------------------------抓取评论item最大值---------------------------------------------------
    def parse_page(jsondata):
        if jsondata:
            items = jsondata.get('data')
            item_max_id = {}
            item_max_id['max_id'] = items['max_id']
            item_max_id['max_id_type'] = items['max_id_type']
            return item_max_id
    
    #-------------------------------------------------抓取评论信息---------------------------------------------------
    def write_csv(jsondata):
        for json in jsondata['data']['data']:
            #用户ID
            user_id = json['user']['id']
            # 用户昵称
            user_name = json['user']['screen_name']
            # 用户性别,m表示男性,表示女性
            user_gender = json['user']['gender']
            #获取评论
            comments_text = json['text']
            comment_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', comments_text) #正则匹配掉html标签
            # 评论时间
            created_times = json['created_at'].split(' ')
            if 'Feb' in created_times:
                created_YMD = "{}/{}/{}".format(created_times[-1], '02', created_times[2])
            elif 'Jan' in created_times:
                created_YMD = "{}/{}/{}".format(created_times[-1], '01', created_times[2])
            else:
                print ('该时间不在疫情范围内,估计数据有误!')
                pass
            created_time = created_times[3] #评论时间时分秒
            #if len(comment_text) != 0:
            position2 = (" ", " ", " ", " "," ", " ", " ", " ", " ", " ", user_id, user_name, user_gender, created_YMD, created_time, comment_text)
            writer.writerow((position2))#写入数据
            #print (user_id, user_name, user_gender, created_YMD, created_time)    
    
    
    #-------------------------------------------------主函数---------------------------------------------------
    def main():
        count_title = len(comments_ID)
        for count, comment_ID in enumerate(comments_ID):
            print ("正在爬取第%s个话题,一共找到个%s话题需要爬取"%(count+1, count_title))
            #maxPage获取返回的最大评论数量
            maxPage = spider_title(comment_ID)
            print ('maxPage = ', maxPage)
            m_id = 0
            id_type = 0
            if maxPage != 0: #小于20条评论的不需要循环
                try:
                    #用评论数量控制循环
                    for page in range(0, maxPage):
                        #自定义函数-抓取网页评论信息
                        jsondata = get_page(comment_ID, m_id, id_type)
                        
                        #自定义函数-写入CSV文件
                        write_csv(jsondata)
                        
                        #自定义函数-获取评论item最大值
                        results = parse_page(jsondata)
                        time.sleep(1)
                        m_id = results['max_id']
                        id_type = results['max_id_type']              
                except:
                    pass
            print ("--------------------------分隔符---------------------------")
        csvfile.close() 
        
    if __name__ == '__main__':
        
        #获取话题ID
        get_title_id()
        
        #主函数操作
        main()
        
        #计算使用时间
        endTime = time.time()
        useTime = (endTime-startTime) / 60
        print("该次所获的信息一共使用%s分钟"%useTime)
    

    保存数据截图如下图所示:

    在这里插入图片描述

    下图时抓取的话题页面网址,每个页面包括18个话题。

    在这里插入图片描述

    接着抓取每个话题的内容,如下所示:

    正在爬取第1个话题,一共找到个361话题需要爬取
    article_url =  https://m.weibo.cn/detail/4484575189181757
    title_text =#国家卫健委回应健康码互通互认#】国家卫生健康委规划司司长毛群安:目前全国低风险县域已占98%,各省份正在按照统一的数据格式标准和内容要求,加快向全国一体化平台汇聚本地区防疫健康信息的目录。截至目前,#全国绝大多数健康码可实现一码通行#。 人民日报的微博视频 
    title_user_id =  2803301701
    title_user_NicName =  人民日报
    title_user_gender =  m
    该时间不在疫情范围内,估计数据有误!URL = 
    maxPage =  None
    --------------------------分隔符---------------------------
    正在爬取第2个话题,一共找到个361话题需要爬取
    article_url =  https://m.weibo.cn/detail/4484288164243251
    title_text =  法国网友自称自己成了长发公主,度过了居家隔离后的第三天.....#全球疫情##法国疫情# 法国囧事的微博视频 
    title_user_id =  2981906842
    title_user_NicName =  法国囧事
    title_user_gender =  m
    该时间不在疫情范围内,估计数据有误!URL = 
    maxPage =  None
    --------------------------分隔符---------------------------
    正在爬取第3个话题,一共找到个361话题需要爬取
    article_url =  https://m.weibo.cn/detail/4484492666507389
    title_text =  #全球疫情# #意大利疫情# #意大利# “罗马还有其他四处的药店都遭到了抢劫。我们遭受到的是持械抢劫。“这是一位罗马药店药剂师的陈述。她说,在当前疫情的危机情况下,我们处在两难困境之中:受到抢劫和疾病的双重威胁。疫情之下,意大利口罩告急,价格飙高。市民认为是药店不卖,而真实情况是药店真的没有,而供货商又抬高了价格。药店处在两难境地。这位药剂师道出了自己的苦衷,冒着危险还在工作,与医护人员一样,都是奋斗在一线做出牺牲的人。呼吁民众理解,也请求大家的帮助。 Nita大呵呵的微博视频
    title_user_id =  6476189426
    title_user_NicName =  Nita大呵呵
    title_user_gender =  f
    该时间不在疫情范围内,估计数据有误!URL = 
    maxPage =  None
    

    最终抓取360个疫情话题内容。

    在这里插入图片描述


    注意:该爬虫评论写入功能需要改进下,且只能抓取当天的“战疫情”话题及评论,如果想针对某个突发事件进行一段时间的分析,建议每天定时运行该程序,从而形成所需的数据集。也可以根据需求修改为热点话题的抓取,增加搜索功能等。

    作者前文:
    [python爬虫] Selenium爬取新浪微博内容及用户信息
    [Python爬虫] Selenium爬取新浪微博客户端用户信息、热点话题及评论 (上)
    [Python爬虫] Selenium爬取新浪微博移动端热点话题及评论 (下)



    二.微博话题词云分析

    首先,我们对文本进行简单的词云可视化分析。

    1.基本用法

    词云分析主要包括两种方法:

    • 调用WordCloud扩展包画图(兼容性极强,之前介绍过)
    • 调用PyEcharts中的WordCloud子包画图(本文推荐新方法)

    PyEcharts绘制词云的基础代码如下:

    # coding=utf-8
    from pyecharts import options as opts
    from pyecharts.charts import WordCloud
    from pyecharts.globals import SymbolType
    
    # 数据
    words = [
        ('背包问题', 10000),
        ('大整数', 6181),
        ('Karatsuba乘法算法', 4386),
        ('穷举搜索', 4055),
        ('傅里叶变换', 2467),
        ('状态树遍历', 2244),
        ('剪枝', 1868),
        ('Gale-shapley', 1484),
        ('最大匹配与匈牙利算法', 1112),
        ('线索模型', 865),
        ('关键路径算法', 847),
        ('最小二乘法曲线拟合', 582),
        ('二分逼近法', 555),
        ('牛顿迭代法', 550),
        ('Bresenham算法', 462),
        ('粒子群优化', 366),
        ('Dijkstra', 360),
        ('A*算法', 282),
        ('负极大极搜索算法', 273),
        ('估值函数', 265)
    ]
    
    # 渲染图
    def wordcloud_base() -> WordCloud:
        c = (
            WordCloud()
            .add("", words, word_size_range=[20, 100], shape='diamond')  # SymbolType.ROUND_RECT
            .set_global_opts(title_opts=opts.TitleOpts(title='WordCloud词云'))
        )
        return c
    
    # 生成图
    wordcloud_base().render('词云图.html')
    

    输出结果如下图所示,出现词频越高显示越大。

    在这里插入图片描述

    核心代码为:
    add(name, attr, value, shape=“circle”, word_gap=20, word_size_range=None, rotate_step=45)

    • name -> str: 图例名称
    • attr -> list: 属性名称
    • value -> list: 属性所对应的值
    • shape -> list: 词云图轮廓,有’circle’, ‘cardioid’, ‘diamond’, ‘triangleforward’, ‘triangle’, ‘pentagon’, ‘star’可选
    • word_gap -> int: 单词间隔,默认为20
    • word_size_range -> list: 单词字体大小范围,默认为[12,60]
    • rotate_step -> int: 旋转单词角度,默认为45


    2.疫情词云

    接着我们将3月20日疫情内容复制至“data.txt”文本,经过中文分词后显示前1000个高频词的词云。代码如下:

    # coding=utf-8
    import jieba
    import re
    import time
    from collections import Counter
    
    #------------------------------------中文分词------------------------------------
    cut_words = ""
    all_words = ""
    f = open('C-class-fenci.txt', 'w')
    for line in open('C-class.txt', encoding='utf-8'):
        line.strip('\n')
        seg_list = jieba.cut(line,cut_all=False)
        # print(" ".join(seg_list))
        cut_words = (" ".join(seg_list))
        f.write(cut_words)
        all_words += cut_words
    else:
        f.close()
    
    # 输出结果
    all_words = all_words.split()
    print(all_words)
    
    # 词频统计
    c = Counter()
    for x in all_words:
        if len(x)>1 and x != '\r\n':
            c[x] += 1
    
    # 输出词频最高的前10个词
    print('\n词频统计结果:')
    for (k,v) in c.most_common(10):
        print("%s:%d"%(k,v))
    
    # 存储数据
    name = time.strftime("%Y-%m-%d") + "-fc.csv"
    fw = open(name, 'w', encoding='utf-8')
    i = 1
    for (k,v) in c.most_common(len(c)):
        fw.write(str(i)+','+str(k)+','+str(v)+'\n')
        i = i + 1
    else:
        print("Over write file!")
        fw.close()
    
    #------------------------------------词云分析------------------------------------
    from pyecharts import options as opts
    from pyecharts.charts import WordCloud
    from pyecharts.globals import SymbolType
    
    # 生成数据 word = [('A',10), ('B',9), ('C',8)] 列表+Tuple
    words = []
    for (k,v) in c.most_common(1000):
        # print(k, v)
        words.append((k,v))
    
    # 渲染图
    def wordcloud_base() -> WordCloud:
        c = (
            WordCloud()
            .add("", words, word_size_range=[20, 100], shape=SymbolType.ROUND_RECT)
            .set_global_opts(title_opts=opts.TitleOpts(title='全国新型冠状病毒疫情词云图'))
        )
        return c
    
    # 生成图
    wordcloud_base().render('疫情词云图.html')
    

    输出结果如下图所示,仅3月20日的热点话题内容。

    在这里插入图片描述

    在这里插入图片描述



    3.WordCloud

    另一种方法的代码如下:

    # coding=utf-8
    import jieba
    import re
    import sys
    import time
    from collections import Counter
    import matplotlib.pyplot as plt
    from wordcloud import WordCloud
    
    #------------------------------------中文分词------------------------------------
    cut_words = ""
    all_words = ""
    f = open('data-fenci.txt', 'w')
    for line in open('data.txt', encoding='utf-8'):
        line.strip('\n')
        seg_list = jieba.cut(line,cut_all=False)
        # print(" ".join(seg_list))
        cut_words = (" ".join(seg_list))
        f.write(cut_words)
        all_words += cut_words
    else:
        f.close()
    
    # 输出结果
    all_words = all_words.split()
    print(all_words)
    
    # 词频统计
    c = Counter()
    for x in all_words:
        if len(x)>1 and x != '\r\n':
            c[x] += 1
    
    # 输出词频最高的前10个词
    print('\n词频统计结果:')
    for (k,v) in c.most_common(10):
        print("%s:%d"%(k,v))
    
    # 存储数据
    name = time.strftime("%Y-%m-%d") + "-fc.csv"
    fw = open(name, 'w', encoding='utf-8')
    i = 1
    for (k,v) in c.most_common(len(c)):
        fw.write(str(i)+','+str(k)+','+str(v)+'\n')
        i = i + 1
    else:
        print("Over write file!")
        fw.close()
    
    #------------------------------------词云分析------------------------------------
    #打开本体TXT文件
    text = open('data.txt').read()
     
    #结巴分词 cut_all=True 设置为精准模式 
    wordlist = jieba.cut(text, cut_all = False)
     
    #使用空格连接 进行中文分词
    wl_space_split = " ".join(wordlist)
    #print(wl_space_split)
     
    #对分词后的文本生成词云
    my_wordcloud = WordCloud().generate(wl_space_split)
     
    #显示词云图
    plt.imshow(my_wordcloud)
    #是否显示x轴、y轴下标
    plt.axis("off")
    plt.show()
    


    三.SnowNLP情感分析用法

    情感分析的基本流程如下图所示,通常包括:

    • 自定义爬虫抓取文本信息;
    • 使用Jieba工具进行中文分词、词性标注;
    • 定义情感词典提取每行文本的情感词;
    • 通过情感词构建情感矩阵,并计算情感分数;
    • 结果评估,包括将情感分数置于0.5到-0.5之间,并可视化显示。

    在这里插入图片描述

    1.SnowNLP

    SnowNLP是一个常用的Python文本分析库,是受到TextBlob启发而发明的。由于当前自然语言处理库基本都是针对英文的,而中文没有空格分割特征词,Python做中文文本挖掘较难,后续开发了一些针对中文处理的库,例如SnowNLP、Jieba、BosonNLP等。注意SnowNLP处理的是unicode编码,所以使用时请自行decode成unicode。

    Snownlp主要功能包括:

    • 中文分词(算法是Character-Based Generative Model)
    • 词性标注(原理是TnT、3-gram 隐马)
    • 情感分析
    • 文本分类(原理是朴素贝叶斯)
    • 转换拼音、繁体转简体
    • 提取文本关键词(原理是TextRank)
    • 提取摘要(原理是TextRank)、分割句子
    • 文本相似(原理是BM25)

    推荐官网给大家学习。
    安装和其他库一样,使用pip安装即可。

    pip install snownlp
    

    在这里插入图片描述



    2.中文分词

    下面是最简单的实例,使用SnowNLP进行中文分词,同时比较了SnowNLP和Jieba库的分词效果。

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    s1 = SnowNLP(u"这本书质量真不太好!")
    print("SnowNLP:")
    print(" ".join(s1.words))
    
    import jieba
    s2 = jieba.cut(u"这本书质量真不太好!", cut_all=False)
    print("jieba:")
    print(" ".join(s2))
    

    输出结果如下所示:

    总体感觉是SnowNLP分词速度比较慢,准确度较低,比如“不太好”这个词组,但也不影响我们后续的情感分析。


    3.常见功能

    代码如下:

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    s = SnowNLP(u"这本书质量真不太好!")
    
    print(u"\n中文分词:")
    print( " ".join(s.words))
    
    print(u"\n词性标注:")
    print(s.tags)
    for k in s.tags:
        print(k)
    
    print(u"\n情感分数:")
    print(s.sentiments)
    
    print(u"\n转换拼音:")
    print(s.pinyin)
    
    print(u"\n输出前4个关键词:")
    print(s.keywords(4))
    for k in s.keywords(4):
        print(k)
    
    print(u"\n输出关键句子:")
    print(s.summary(1))
    for k in s.summary(1):
        print(k)
    
    print(u"\n输出tf和idf:")
    print(s.tf)
    print(s.idf)
    
    n = SnowNLP(u'「繁體字」「繁體中文」的叫法在臺灣亦很常見。')
    print(u"\n繁简体转换:")
    print(n.han)
    

    s.words 输出分词后的结果,词性标注主要通过 s.tags,s.sentiments 计算情感分数,s.pinyin 转换为拼音,s.keywords(4) 提取4个关键词,s.summary(1) 输出一个关键句子,s.tf 计算TF值(频率),s.idf 计算IDF值(倒文档)。

    输出结果如下所示:

    >>> 
    
    中文分词:
    这 本书 质量 真 不 太 好 !
    
    词性标注:
    [(u'\u8fd9', u'r'), (u'\u672c\u4e66', u'r'), (u'\u8d28\u91cf', u'n'), 
    (u'\u771f', u'd'), (u'\u4e0d', u'd'), (u'\u592a', u'd'), 
    (u'\u597d', u'a'), (u'\uff01', u'w')]
    (u'\u8fd9', u'r')
    (u'\u672c\u4e66', u'r')
    (u'\u8d28\u91cf', u'n')
    (u'\u771f', u'd')
    (u'\u4e0d', u'd')
    (u'\u592a', u'd')
    (u'\u597d', u'a')
    (u'\uff01', u'w')
    
    情感分数:
    0.420002029202
    
    转换拼音:
    [u'zhe', u'ben', u'shu', u'zhi', u'liang', u'zhen', u'bu', u'tai', u'hao', u'\uff01']
    
    输出前4个关键词:
    [u'\u592a', u'\u4e0d', u'\u8d28\u91cf', u'\u771f']
    太
    不
    质量
    真
    
    输出关键句子:
    [u'\u8fd9\u672c\u4e66\u8d28\u91cf\u771f\u4e0d\u592a\u597d']
    这本书质量真不太好
    
    输出tf和idf:
    [{u'\u8fd9': 1}, {u'\u672c': 1}, {u'\u4e66': 1}, 
    {u'\u8d28': 1}, {u'\u91cf': 1}, {u'\u771f': 1}, 
    {u'\u4e0d': 1}, {u'\u592a': 1}, {u'\u597d': 1}, {u'\uff01': 1}]
    {u'\uff01': 1.845826690498331, u'\u4e66': 1.845826690498331, u'\u8d28': 1.845826690498331, 
    u'\u592a': 1.845826690498331, u'\u4e0d': 1.845826690498331, u'\u672c': 1.845826690498331, 
    u'\u91cf': 1.845826690498331, u'\u8fd9': 1.845826690498331, u'\u597d': 1.845826690498331, u'\u771f': 1.845826690498331}
    
    繁简体转换:
    「繁体字」「繁体中文」的叫法在台湾亦很常见。
    >>> 
    

    同样可以进行文本相似度计算,代码参考下图所示:


    4.情感分析

    SnowNLP情感分析也是基于情感词典实现的,其简单的将文本分为两类,积极和消极,返回值为情绪的概率,越接近1为积极,接近0为消极。其原理参考zhiyong_will大神和邓旭东老师的文章,也强烈推荐大家学习。地址:
    情感分析——深入snownlp原理和实践
    自然语言处理库之snowNLP

    下面简单给出一个情感分析的例子:

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    s1 = SnowNLP(u"我今天很开心")
    print(u"s1情感分数:")
    print(s1.sentiments)
    
    s2 = SnowNLP(u"我今天很沮丧")
    print(u"s2情感分数:")
    print(s2.sentiments)
    
    s3 = SnowNLP(u"大傻瓜,你脾气真差,动不动就打人")
    print(u"s3情感分数:")
    print(s3.sentiments)
    

    输出结果如下所示,当负面情感特征词越多,比如“傻瓜”、“差”、“打人”等,分数就会很低,同样当正免情感词多分数就高。

    s1情感分数:
    0.84204018979
    s2情感分数:
    0.648537121839
    s3情感分数:
    0.0533215596706
    

    而在真实项目中,通常需要根据实际的数据重新训练情感分析的模型,导入正面样本和负面样本,再训练新模型。

    • sentiment.train(’./neg.txt’, ‘./pos.txt’)
    • sentiment.save(‘sentiment.marshal’)


    四.SnowNLP微博情感分析实例

    下面的代码是对爬取的疫情话题进行情感分析。本文将抓取的356条(其中4条仅图片)微博疫情话题信息复制至TXT文件中 ,每一行为一条话题,再对其进行中文分词处理。注意,这里仅仅获取序号1-356的情感分数,而其他情感分析可以进行时间对比、主题对比等,其方法和此篇文章类似,希望读者学会举一反三。

    在这里插入图片描述


    1.情感各分数段出现频率

    首先统计各情感分数段出现的评率并绘制对应的柱状图,代码如下:

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    import codecs
    import os
    
    source = open("data.txt","r", encoding='utf-8')
    line = source.readlines()
    sentimentslist = []
    for i in line:
        s = SnowNLP(i)
        print(s.sentiments)
        sentimentslist.append(s.sentiments)
    
    import matplotlib.pyplot as plt
    import numpy as np
    plt.hist(sentimentslist, bins = np.arange(0, 1, 0.01), facecolor = 'g')
    plt.xlabel('Sentiments Probability')
    plt.ylabel('Quantity')
    plt.title('Analysis of Sentiments')
    plt.show()
    

    输出结果如下图所示,可以看到

    对应的分数如下:

    >>>
    4.440892098500626e-16
    0.49055395607520824
    0.9999999999972635
    0.9999998677093149
    0.9979627586368516
    0.9999999990959509
    0.9999830199233769
    0.9998699310812647
    0.9999954477924106
    ...
    

    2.情感波动分析

    接下来分析每条评论的波动情况,代码如下所示:

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    import codecs
    import os
    
    source = open("data.txt","r", encoding='utf-8')
    line = source.readlines()
    sentimentslist = []
    for i in line:
        s = SnowNLP(i)
        print(s.sentiments)
        sentimentslist.append(s.sentiments)
    
    import matplotlib.pyplot as plt
    import numpy as np
    plt.plot(np.arange(0, 356, 1), sentimentslist, 'k-')
    plt.xlabel('Number')
    plt.ylabel('Sentiment')
    plt.title('Analysis of Sentiments')
    plt.show()
    

    输出结果如下所示,呈现一条曲线,因为抓取的评论基本都是好评,所以分数基本接近于1.0,而真实分析过程中存在好评、中评和差评,曲线更加规律。

    同时,在做情感分析的时候,我看到很多论文都是将情感区间从[0, 1.0]转换为[-0.5, 0.5],这样的曲线更加好看,位于0以上的是积极评论,反之消极评论。修改代码如下:

    # -*- coding: utf-8 -*-
    from snownlp import SnowNLP
    import codecs
    import os
    
    #获取情感分数
    source = open("data.txt","r", encoding='utf-8')
    line = source.readlines()
    sentimentslist = []
    for i in line:
        s = SnowNLP(i)
        print(s.sentiments)
        sentimentslist.append(s.sentiments)
    
    #区间转换为[-0.5, 0.5]
    result = []
    i = 0
    while i<len(sentimentslist):
        result.append(sentimentslist[i]-0.5)
        i = i + 1
    
    #可视化画图
    import matplotlib.pyplot as plt
    import numpy as np
    plt.plot(np.arange(0, 356, 1), result, 'k-')
    plt.xlabel('Number')
    plt.ylabel('Sentiment')
    plt.title('Analysis of Sentiments')
    plt.show()
    

    绘制图形如下所示:



    3.情感时间分布

    最后补充随时间分布的情感分数相关建议,读者可能也发现抓取的博客存在重复、时间不均衡等现象。微博数据还是非常不好抓取,数据卡住了很多人,也请读者深入分析下。

    (1) 情感分析通常需要和评论时间结合起来,并进行舆情预测等,建议读者尝试将时间结合。比如王树义老师的文章《基于情感分类的竞争企业新闻文本主题挖掘》。

    (2) 情感分析也是可以进行评价的,我们前面抓取的分为5星评分,假设0-0.2位一星,0.2-0.4位二星,0.4-0.6为三星,0.6-0.8为四星,0.8-1.0为五星,这样我们可以计算它的准确率,召回率,F值,从而评论我的算法好坏。

    (3) 作者还有很多情感分析结合幂率分布的知识,因为需要写文章,这里暂时不进行分享,但是这篇基础文章对初学者仍然有一定的帮助。

    (4) BosonNLP也是一个比较不错的情感分析包,建议感兴趣的读者学习,它提供了相关的词典,如下:https://bosonnlp.com/dev/resource。

    (5) 读者如果不太擅长写代码,可以尝试使用情感分析系统。http://ictclas.nlpir.org/nlpir/


    五.总结

    写到这里,第四篇疫情分析的文章就讲解完毕,希望对您有所帮助,尤其是想写文本挖掘论文的读者。后续还会分享舆情分析、威胁情报溯源、知识图谱、预测预警及AI和NLP应用等。如果文章对您有所帮助,将是我写作的最大动力。作者将源代码上传至github,大家可以直接下载。你们的支持就是我撰写的最大动力,加油~

    同时,向钟院士致敬,向一线工作者致敬。侠之大者,为国为民。咱们中国人一生的最高追求,为天地立心,为生民立命,为往圣继绝学,为万世开太平。以一人之力系万民康乐,以一身犯险保大业安全。他们真是做到了,武汉加油,中国加油!

    在这里插入图片描述

    (By:Eastmount 2020-03-21 中午12点于贵阳 http://blog.csdn.net/eastmount/)



    参考文献:
    [1] [python数据挖掘课程] 十三.WordCloud词云配置过程及词频分析 - Eastmount
    [2] python爬虫爬取微博之战疫情用户评论及详情
    [3] [python爬虫] Selenium爬取新浪微博内容及用户信息
    [4] [Python爬虫] Selenium爬取新浪微博客户端用户信息、热点话题及评论 (上)
    [5] [Python爬虫] Selenium爬取新浪微博移动端热点话题及评论 (下)
    [6] 用pyecharts绘制词云WordCloud - pennyyangpei
    [7] 情感分析——深入snownlp原理和实践
    [8] 自然语言处理库之snowNLP
    [9] 王树义老师的文章《基于情感分类的竞争企业新闻文本主题挖掘》

    展开全文
  • 文本挖掘概要搞什么的?从大量文本数据中,抽取出有价值的知识,并且利用这些知识更好的组织信息的过程。目的是什么?把文本信息转化为人们可利用的知识。举例来说,下面的图表利用文本挖掘技术对库克iphoneX 发布会...

    文本挖掘概要

    搞什么的?从大量文本数据中,抽取出有价值的知识,并且利用这些知识更好的组织信息的过程。

    目的是什么?把文本信息转化为人们可利用的知识。

    举例来说,下面的图表利用文本挖掘技术对库克iphoneX 发布会的内容进行分析,得出此次发布会报告中的几个常青词汇、词频的趋势变化情况。

    (一)语料库(Corpus)在python中,如何根据以往的文档文件搭建一个语料库?

    1.什么是语料库

    语料库是我们要分析的所有文档的集合。

    在日常工作中我们对文章的管理,先是一篇篇的文章不断的积累,我们存了大量的文章之后,会对文章信息进行一些归类的工作,一般体现于建立不同的文件夹来保存不同类别的文章。

    同样的,我们把我们需要分析的文本文件,读取内存变量中,然后在内存变量中使用不同的数据结构,对这些文本文件进行存储,以便进行下一步的分析。

    这个内存变量就是语料库

    2.语料库构建实操

    我们通过一个案例来了解语料库构建的过程。

    这里,jacky为了分享,整理了一份iphone8发布后,主流新闻网站评论的语料数据。

    7ce40f4d509189dd154bd754603a8b21.png

    d205b0eee576e8462772b9f9feddb4b1.png

    我存放iphone 语义文件夹的路

    file:///Users/apple/Downloads/Iphone8

    如果是windows系统要替换成响应的路径。

    1) 如何把语料数据作为语料库导入到内存中

    本文由【waitig】发表在等英博客 本文固定链接:Python数据挖掘-文本挖掘 欢迎关注本站官方公众号,每日都有干货分享!

    点赞 (0)赏分享 (0)

    展开全文
  • 文本挖掘技术

    2018-08-10 16:56:56
    第一章:引言 第二章:文本特征提取技术 第三章:文本检索技术 第四章:文本自动分类技术 第五章:文本自动聚类技术 第六章:话题检测跟踪技术 第七章:文本过滤技术 ...第十五章:文本挖掘工具与应用
  • 文本挖掘是指将数据挖掘技术应用在大量的文本集合上,发现其中隐含知识的过程.大多数基于数据库的数据挖掘方法均可用于文本挖掘,如数据归纳、分类、聚类、关联规则挖掘等
  • 文本挖掘PPT

    2015-04-10 09:26:00
    文本挖掘的PPT,主要是讲了一些文本挖掘的方法
  • 文本挖掘doc

    2015-01-11 10:34:49
    文本挖掘doc
  • 文本挖掘python

    2018-01-03 18:55:52
    这是用python做的文本挖掘,挺详细的,请大家放心下载
  • 一、文本挖掘定义文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后者是无监督的挖掘算法。二、文本...

    一、文本挖掘定义

    文本挖掘指的是从文本数据中获取有价值的信息和知识,它是数据挖掘中的一种方法。文本挖掘中最重要最基本的应用是实现文本的分类和聚类,前者是有监督的挖掘算法,后者是无监督的挖掘算法。

    540-640x380.jpg

    二、文本挖掘步骤

    1)读取数据库或本地外部文本文件

    2)文本分词

    2.1)自定义字典

    2.2)自定义停止词

    2.3)分词

    2.4)文字云检索哪些词切的不准确、哪些词没有意义,需要循环2.1、2.2和 2.3步骤

    3)构建文档-词条矩阵并转换为数据框

    4)对数据框建立统计、挖掘模型

    5)结果反馈

    三、文本挖掘所需工具

    本次文本挖掘将使用R语言实现,除此还需加载几个R包,它们是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包无法在CRAN镜像中下载到,有关这两个包的下载方法。

    四、实战

    本文所用数据集来自于sougou实验室数据,具体可至链接下载>>>

    本文对该数据集做了整合,将各个主题下的新闻汇总到一张csv表格中,数据格式如下图所示:

    541.jpg

    具体数据可至文章后面的链接。

    542-640x197.jpg

    543.jpg

    接下来需要对新闻内容进行分词,在分词之前需要导入一些自定义字典,目的是提高切词的准确性。由于文本中涉及到军事、医疗、财经、体育等方面的内容,故需要将搜狗字典插入到本次分析的字典集中。

    544.jpg

    545.jpg

    如果需要卸载某些已导入字典的话,可以使用uninstallDict()函数。

    分词前将中文中的英文字母统统去掉。

    546.jpg

    图中圈出来的词对后续的分析并没有什么实际意义,故需要将其剔除,即删除停止词。

    547.jpg

    548.jpg

    停止词创建好后,该如何删除76条新闻中实际意义的词呢?下面通过自定义删除停止词的函数加以实现。

    549.jpg

    550.jpg

    相比与之前的分词结果,这里瘦身了很多,剔除了诸如“是”、“的”、“到”、“这”等无意义的次。 判别分词结果的好坏,最快捷的方法是绘制文字云,可以清晰的查看哪些词不该出现或哪些词分割的不准确。

    551.jpg

    552.jpg

    仍然存在一些无意义的词(如说、日、个、去等)和分割不准确的词语(如黄金周切割为黄金,医药切割为药等),这里限于篇幅的原因,就不进行再次添加自定义词汇和停止词。

    553.jpg

    554.jpg

    此时语料库中存放了76条新闻的分词结果。

    555.jpg

    556-640x227.jpg

    从图中可知,文档-词条矩阵包含了76行和7939列,行代表76条新闻,列代表7939个词;该矩阵实际上为稀疏矩阵,其中矩阵中非0元素有11655个,而0元素有591709,稀疏率达到98%;最后,这7939个词中,最频繁的一个词出现在了49条新闻中。

    由于稀疏矩阵的稀疏率过高,这里将剔除一些出现频次极地的词语。

    557.jpg

    558-1.jpg

    这样一来,矩阵中列大幅减少,当前矩阵只包含了116列,即116个词语。

    为了便于进一步的统计建模,需要将矩阵转换为数据框格式。

    559.jpg

    560.jpg

    总结

    所以在实际的文本挖掘过程中,最为困难和耗费时间的就是分词部分,既要准确分词,又要剔除无意义的词语,这对文本挖掘者是一种挑战。 文中数据和脚本可至如下链接下载: http://yunpan.cn/cupyBj9xTkHe7访问密码 a88b

    免费公开课福利:

    展开全文
  • 文本挖掘概述与方法

    2018-07-30 14:39:11
    文本挖掘概述与方法,文本挖掘概述与方法,文本挖掘概述与方法,文本挖掘概述与方法,文本挖掘概述与方法,
  • 文本挖掘原理

    2018-03-11 15:22:58
    文本挖掘原理》 全本,非2.74M的15页预览版。由于没有书可卖了,上传供学习参考!

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,759
精华内容 2,703
关键字:

文本挖掘