Klasterisasi dokumen

Analisis Klaster di Python

Shaumik Daityari

Business Analyst

Klasterisasi dokumen: konsep

Bersihkan data sebelum pemrosesan
Tentukan pentingnya istilah dalam dokumen (di matriks TF-IDF)
Klasterkan matriks TF-IDF
Temukan istilah dan dokumen teratas di tiap klaster

Bersihkan dan tokenisasi data

Ubah teks menjadi token dan bersihkan untuk diproses

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']

Matriks istilah-dokumen dan matriks jarang

Matriks istilah-dokumen terbentuk
Sebagian besar elemen matriks bernilai nol

Sumber

Dibuat matriks jarang

Sumber

TF-IDF (Term Frequency - Inverse Document Frequency)

Ukuran berbobot: menilai seberapa penting kata bagi dokumen dalam sebuah koleksi

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)

Klastering dengan matriks jarang

kmeans() di SciPy tidak mendukung matriks jarang
Gunakan .todense() untuk konversi ke matriks

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

Istilah teratas per klaster

Pusat klaster: daftar berukuran sama dengan jumlah istilah
Tiap nilai pada pusat klaster = tingkat kepentingannya
Buat kamus dan cetak istilah teratas

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']

Pertimbangan lain

Tangani hyperlink, emotikon, dll.
Normalisasi kata (run, ran, running -> run)
.todense() bisa gagal untuk dataset besar

Berikutnya: latihan!

Analisis Klaster di Python