使用K-means及TF-IDF算法对中文文本聚类并可视化

  • 2018-05-31
  • 475
  • 0

对于无监督学习来说,聚类算法对于数据挖掘、NLP处理等方向都有着非常重要的地位。常见的聚类算法比如K-means、BIRCH(Balanced Iterative Reducing and Clustering Using Hierarchies)、GMM(Gaussian mixture model)、GAAC(Group-average Agglomerative Clustering)等,但是用得最普遍的还是K-means算法,其时间复杂度低且实现的效果较好受到广泛的应用。

本文代码的相关环境为:
* python3以上
* sklearn 机器学习常用包
* jieba 中文分词
* matplotlib 可视化

准备语料

语料格式为每行表示一个文档(语句、文章等需要聚类的文本),行数表示需要聚类的所有文本。
类似这样的:
image.png

导入相关包

加载语料

代码中定义了两种分词方式,一种是单纯的使用bi-gram分词,一种是使用jieba进行中文分词,两份分词方式根据效果自己选择使用哪种。加载语料的时候把标点符号去掉,这对于文本聚类几乎没有作用。还可以去掉自己定义的一些类似“你”、“我”、“他”等大量口语化中均会出现的停止词,这类词语往往对聚类也起不到作用。

计算TF-IDF权重

关于TF-IDF网上有很多教程都有详细的解释。这里解释下为什么用这个值作为权重。
将文本向量化的方式其实有很多,最简单的就是one-hot方式,在之前的文章中也讲过这种方式的实现原理,如果不用TF-IDF设置权重,那么,后面进行文本向量化之后的矩阵值只有0、1两种,词与词之间的权重没有进行区分,所以用这种方式设置权重。

文本聚类

k-means的缺陷之一就是需要自己指定需要分类的族数,也就是代码中的n_clusters,选择超参数的过程中,可以使用kmeans.inertia_值作为评估标准,其值越小越好。

可视化

前面将文本向量化之后,每个文档的维度非常高,进行可视化之前需要对其降维,降维算法也有很多,这里使用T-SNE算法,其优点就是准确度比较高,但是耗时比较长,如果接受不了耗时长,可以使用PCA算法。
对降维后的数据decomposition_data用plt进行可视化。

效果显示

链接:https://www.ioiogoo.cn/2018/05/31/使用k-means及tf-idf算法对中文文本聚类并可视化/
本站所有文章除特殊说明外均为原创,转载请注明出处!

评论

还没有任何评论,你来说两句吧