自然语言处理流程

1、文本挖掘主要内容存储信息使用最多的是文本，文本挖掘被认为比数据挖掘具有更高的商业潜力，当数据挖掘的对象完全由文本这种数据类型组成时，这个过程就称为文本数据挖掘。1.1文本分类及情感分析文本分类指按照预先定义的主题类别，为文档集合中的每个文档确定一个类别。需要训练集训练分类器，然后应用于测试集。主要有朴素贝叶斯分类、决策树等。情感分析是近年来国内外的研究热点，是基于计算机整理、分析相关评价信息，对带有感情色彩的的主观性文本进行分析、处理和归纳。情感分析包括情感分类、观点抽取、观点问答等。1.2文本聚类聚类与分类的不同之处在于，聚类没有预先定义好的一部分文档的类别，它的目标是将文档集合分成若干个簇，要求同一簇内文档内容的相似度尽可能的大，而不同簇之间的相似度尽可能的小。1.3文本结构分析其目的是为了更好地理解文本的主题思想，了解文本表达的内容以及采用的方式，最终结果是建立文本的逻辑结构，即文本结构树，根结点是文本主题，依次为层次和段落。1.4Web文本数据挖掘在Web迅猛发展的同时，不能忽视“信息爆炸”的问题，即信息极大丰富而知识相对匮乏。据估计，Web已经发展成为拥有3亿个页面的分布式信息空间，而且这个数字仍以每4-6个月翻1倍的速度增加，在这些大量、异质的Web信息资源中，蕴含着具有巨大潜在价值的知识。Web文本挖掘可以构建社交复杂网络、用户标签、网络舆情分析等2、自然语言处理流程2.1获取原始文本文本最重要的来源无疑是网络。我们要把网络中的文本获取形成一个文本数据库(数据集)。利用一个爬虫抓取到网络中的信息。爬取的策略有广度和深度爬取；根据用户的需求，爬虫可以有主题爬虫和通用爬虫之分。2.1.1HTML数据2.1.2RSS订阅源博客是文本的重要来源，无论是正式的还是非正式的。通过UniversalFeedParser第三方库可以访问博客的内容。2.1.3本地文件2.2对文本进行预处理2.1.1文本编码格式1.decodeearly；2.unicodeeverywhere；3.encodelater。具体见Python2.X编码问题汇总2.1.2文本模式匹配Python自带的一些方法就能完成一部分字符检测工作，例如endswith(‘ly’)可以找到”ly”结尾的词。然而，正则表达式提出了一个更强大、更灵活的字符匹配模式。2.1.3规范化文本（1）通过lower()将文本规范化为小写，即可忽略”The”和”the”的区别（2）词干提取：nltk提供Porter和Lancaster词干提取器，按照内嵌的规则剥离词缀。如下例，Porter能将lying正确地映射为lie，而Lancaster就没处理好。（3）词性归并：注重词性的统一，而不考虑词缀。如下例，将”women”转换为”woman”。（4）非标准词的规范：包括数字，缩写，日期等从非标准格式映射为标准格式。2.3分词经过上面的步骤，我们会得到比较干净的素材。但是，文本中起到关键作用的是一些词，甚至主要词就能起到决定文本取向。英文分词有nltk提供的nltk.word_tokenize()中文分词，出现了很多分词的算法，有最大匹配法、最优匹配法、机械匹配法、逆向匹配法、双向匹配法等。中科院张华平博士研发的分词工具ICTCLAS，该算法经过众多科学家的认定是当今中文分词中最好的，并且支持用户自定义词典，加入词典；对新词，人名，地名等的发现也具有良好的效果。Jieba分词工具：支持繁体分词；支持自定义词典支持三种分词模式：1.精确模式，试图将句子最精确地切开，适合文本分析；2.全模式，把句子中所有的可以成词的词语都扫描出来，速度非常快，但是不能解决歧义；3.搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。阿里分词工具。2.4去除停顿词英文停顿词内嵌在nltk中中文停顿词比如句号，显然句号对意思的表达没有什么效果。还有是、“的”等词。因为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。2.5特征选择经过上面的步骤，我们基本能够得到有意义的一些词。然而并不是所有词都有意义，有些词会在这个文本集中大量出现，有些只是出现少数几次而已。他们往往也不能决定文章的内容。还有一个原因就是，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。那么如何选择关键词比较合理呢？针对特征选择也有很多种不同的方式，但是TF-IDF往往起到的效果是最好的。tf-idf模型的主要思想是：如果词w在一篇文档d中出现的频率高，并且在其他文档中很少出现，则认为词w具有很好的区分能力，适合用来把文章d和其他文章区分开来。在一份给定的文件里，词频(termfrequency,TF)指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化，以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否）逆向文件频率(inversedocumentfrequency,IDF)是一个词语普遍重要性的度量。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。如果该词语不在语料库中，就会导致分母为零，因此一般情况下使用。Tf-idf计算公式为：某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于保留文档中较为特别的词语，过滤常用词。缺点：IDF的简单结构并不能有效地反映特征词的分布情况，使其无法很好的完成对权值的调整功能，所以在一定程度上该算法的精度并不是很高。除此之外，算法也没有体现位置信息，对于出现在文章不同位置的词语都是一视同仁的，因为在文章首尾的词语势必重要性要相对高点。2.6利用算法进行挖掘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，我们可以利用KNN算法，贝叶斯算法、决策树算法等等。2.7程序示例2.7.1新闻聚类2.7.2Bayes文本分类