Dokumenten-Clustering

Cluster Analysis in Python

Shaumik Daityari

Business Analyst

Dokumenten-Clustering: Konzepte

Daten vorverarbeiten
Wichtigkeit der Terme im Dokument bestimmen (in TF-IDF-Matrix)
TF-IDF-Matrix clustern
Top-Terme und -Dokumente je Cluster finden

Daten bereinigen und tokenisieren

Text in kleinere Einheiten (Tokens) umwandeln, Daten zum Verarbeiten bereinigen

from nltk.tokenize import word_tokenize
import re

def remove_noise(text, stop_words = []):
    tokens = word_tokenize(text)

    cleaned_tokens = []
    for token in tokens:
        token = re.sub('[^A-Za-z0-9]+', '', token)

        if len(token) > 1 and token.lower() not in stop_words:
            # Get lowercase
            cleaned_tokens.append(token.lower())
    return cleaned_tokens

remove_noise("It is lovely weather we are having.
              I hope the weather continues.")

['lovely', 'weather', 'hope', 'weather', 'continues']

Dokument-Term-Matrix und Sparse-Matrizen

Dokument-Term-Matrix erstellt
Die meisten Elemente sind Nullen

Quelle

Sparse-Matrix wird erstellt

Quelle

TF-IDF (Term Frequency – Inverse Document Frequency)

Gewichtetes Maß: bewertet, wie wichtig ein Wort für ein Dokument in einer Sammlung ist

from sklearn.feature_extraction.text import TfidfVectorizer

tfidf_vectorizer = TfidfVectorizer(max_df=0.8, max_features=50,
                                   min_df=0.2, tokenizer=remove_noise)

tfidf_matrix = tfidf_vectorizer.fit_transform(data)

Clustering mit Sparse-Matrix

kmeans() in SciPy unterstützt keine Sparse-Matrizen
Mit .todense() in eine dichte Matrix umwandeln

cluster_centers, distortion = kmeans(tfidf_matrix.todense(), num_clusters)

Top-Terme pro Cluster

Clusterzentren: Listen mit Größe = Anzahl der Terme
Jeder Wert im Zentrum = Wichtigkeit
Wörterbuch erstellen und Top-Terme ausgeben

terms = tfidf_vectorizer.get_feature_names_out()

for i in range(num_clusters):
    center_terms = dict(zip(terms, list(cluster_centers[i])))

    sorted_terms = sorted(center_terms, key=center_terms.get, reverse=True)

    print(sorted_terms[:3])

['room', 'hotel', 'staff']

['bad', 'location', 'breakfast']

Weitere Hinweise

Mit Hyperlinks, Emoticons etc. umgehen
Wörter normalisieren (run, ran, running -> run)
.todense() ist bei großen Datensätzen evtl. ungeeignet

Als Nächstes: Übungen!

Cluster Analysis in Python