利用word2vec对关键词进行聚类

姓名:李嘉蔚学号:16020520034

【嵌牛导读】:按照一般的思路,可以用新闻ID向量来表示某个关键词,这就像广告推荐系统里面用用户访问类别向量来表示用户一样,然后就可以用kmeans的方法进行聚类了。不过对于新闻来说存在一个问题,那就量太大,如果给你十万篇新闻,那每一个关键词将需要十万维的向量表示,随着新闻数迅速增加,那维度就更大了,这计算起来难度太大。于是,这个方法思路简单但是不可行。

好在我们有word2vec这个工具,这是google的一个开源工具,能够仅仅根据输入的词的集合计算出词与词直接的距离,既然距离知道了自然也就能聚类了,而且这个工具本身就自带了聚类功能,很是强大。下面正式介绍如何使用该工具进行词的分析,关键词分析和聚类自然也就包含其中了。word2vec官网地址看这里:https://code.google.com/p/word2vec/

【嵌牛鼻子】:word2vec工具。

【嵌牛提问】:怎么用word2vec?效果如何?

【嵌牛正文】:



1、寻找语料

要分析,第一步肯定是收集数据,这里不可能一下子就得到所有词的集合,最常见的方法是自己写个爬虫去收集网页上的数据。不过,如果不需要实时性,我们可以使用别人提供好的网页数据,例如搜狗2012年6月到7月的新闻数据:http://www.sogou.com/labs/dl/ca.html 直接下载完整版,注册一个帐号,然后用ftp下载,ubuntu下推荐用filezilla

图片发自简书App

图片发自简书App

图片发自简书App

2、分词

我们得到的1.5的数据是包含一些html标签的,我们只需要新闻内容,也就是content其中的值。首先可以通过简单的命令把非content的标签干掉

cat news_tensite_xml.dat | iconv -f gbk -t utf-8 -c | grep "<content>"  > corpus.txt


得到了corpus.txt文件只含有content标签之间的内容,再对内容进行分词即可,这里推荐使用之前提到过的ANSJ,没听过的看这里:http://blog.csdn.net/zhaoxinfan/article/details/10403917

下面是调用ANSJ进行分词的程序:

import java.util.HashSet;

import java.util.List;

import java.util.Set;

import java.io.BufferedReader;

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileInputStream;

import java.io.FileReader;

import java.io.FileWriter;

import java.io.IOException;

import java.io.InputStreamReader;

import java.io.PrintWriter;

import java.io.StringReader;

import java.util.Iterator;


import love.cq.util.IOUtil;


import org.ansj.app.newWord.LearnTool;

import org.ansj.domain.Term;

import org.ansj.recognition.NatureRecognition;

import org.ansj.splitWord.Analysis;

import org.ansj.splitWord.analysis.NlpAnalysis;

import org.ansj.splitWord.analysis.ToAnalysis;

import org.ansj.util.*;

import org.ansj.recognition.*;



public class test {

public static final String TAG_START_CONTENT = "<content>";

    public static final String TAG_END_CONTENT = "</content>";

   

    public static void main(String[] args) {

        String temp = null ;

       

        BufferedReader reader = null;

        PrintWriter pw = null;

        try {

            reader = IOUtil.getReader("corpus.txt", "UTF-8") ;

            ToAnalysis.parse("test 123 孙") ;

            pw = new PrintWriter("resultbig.txt");

            long start = System.currentTimeMillis()  ;

            int allCount =0 ;

            int termcnt = 0;

            Set<String> set = new HashSet<String>();

            while((temp=reader.readLine())!=null){

                temp = temp.trim();

                if (temp.startsWith(TAG_START_CONTENT)) {

                    int end = temp.indexOf(TAG_END_CONTENT);

                    String content = temp.substring(TAG_START_CONTENT.length(), end);

                    //System.out.println(content);

                    if (content.length() > 0) {

                        allCount += content.length() ;

                        List<Term> result = ToAnalysis.parse(content);

                        for (Term term: result) {

                            String item = term.getName().trim();

                            if (item.length() > 0) {

                                termcnt++;

                                pw.print(item.trim() + " ");

                                set.add(item);

                            }

                        }

                        pw.println();

                    }

                }

            }

            long end = System.currentTimeMillis() ;

            System.out.println("共" + termcnt + "个term," + set.size() + "个不同的词,共 "

                    +allCount+" 个字符,每秒处理了:"+(allCount*1000.0/(end-start)));

        } catch (IOException e) {

            e.printStackTrace();

        } finally {

            if (null != reader) {

                try {

                    reader.close();

                } catch (IOException e) {

                    e.printStackTrace();

                }

            }

            if (null != pw) {

                pw.close();

            }

        }

    }

}


经过对新闻内容分词之后,得到的输出文件resultbig.txt有2.2G,其中的格式如下:

图片发自简书App

这个文件就是word2vec工具的输入文件


3、本地运行word2vec进行分析

首先要做的肯定是从官网上下载word2vec的源码:http://word2vec.googlecode.com/svn/trunk/ ,然后把其中makefile文件的.txt后缀去掉,在终端下执行make操作,这时能发现word2vec文件夹下多了好几个东西。接下来就是输入resultbig.txt进行分析了:

./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1


这里我们指定输出为vectors.bin文件,显然输出到文件便于以后重复利用,省得每次都要计算一遍,要知道处理这2.2G的词集合需要接近半个小时的时间:

图片发自简书App

下面再输入计算距离的命令即可计算与每个词最接近的词了:

./distance vectors.bin


这里列出一些有意思的输出:

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

图片发自简书App

怎么样,是不是觉得还挺靠谱的?补充一点,由于word2vec计算的是余弦值,距离范围为0-1之间,值越大代表这两个词关联度越高,所以越排在上面的词与输入的词越紧密。

至于聚类,只需要另一个命令即可:

./word2vec -train resultbig.txt -output classes.txt -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -classes 500


按类别排序:

sort classes.txt -k 2 -n > classes.sorted.txt




后记:如果想要了解word2vec的实现原理,应该读一读官网后面的三篇参考文献。显然,最主要的应该是这篇: Distributed Representations of Words and Phrases and their Compositionality 

这篇文章的基础是 Natural Language Processing (almost) from Scratch 其中第四部分提到了把deep learning用在NLP上。

最后感谢晓阳童鞋向我提到这个工具,不愧是立志要成为NLP专家的人。


附:一个在线测试的网站,貌似是一位清华教授做的:http://cikuapi.com/index.php

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 124,624评论 18 136
  • ¥开启¥ 【iAPP实现进入界面执行逐一显】 〖2017-08-25 15:22:14〗 《//首先开一个线程,因...
    小菜c阅读 5,022评论 0 17
  • 1. Java基础部分 基础部分的顺序:基本语法,类相关的语法,内部类的语法,继承相关的语法,异常的语法,线程的语...
    子非鱼_t_阅读 29,113评论 18 398
  • 一、流的概念和作用。 流是一种有顺序的,有起点和终点的字节集合,是对数据传输的总成或抽象。即数据在两设备之间的传输...
    布鲁斯不吐丝阅读 9,288评论 2 95
  • 今天在写页面的时候,发现class="1212-sale"开头的样式无法调用,后来大群里有同学说class样式不能...
    韩宝亿阅读 4,570评论 1 7
  • 不能因为暗恋而影响生活啊。 喜欢他,喜欢他的声音,喜欢他帅气的外表,喜欢他拍照的样子。 不知道怎么靠近,生怕聊天没...
    my小娇阅读 69评论 0 0