Кластеризация документов

Кластерный анализ на Python

Shaumik Daityari

Business Analyst

Кластеризация документов: концепции

Очистить данные перед обработкой
Определить важность терминов в документе (матрица TF-IDF)
Кластеризовать матрицу TF-IDF
Найти ключевые термины и документы в каждом кластере

Очистка и токенизация данных

Разбиваем текст на токены и очищаем данные для обработки

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']

Матрица «документ–термин» и разреженные матрицы

Формируется матрица «документ–термин»
Большинство элементов матрицы равны нулю

Source

Создаётся разреженная матрица

Source

TF-IDF (Term Frequency - Inverse Document Frequency)

Взвешенная мера: оценивает важность слова для документа в коллекции

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)

Кластеризация с разреженной матрицей

kmeans() в SciPy не поддерживает разреженные матрицы
Используйте .todense() для преобразования в матрицу

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

Ключевые термины каждого кластера

Центры кластеров: списки размером, равным числу терминов
Каждое значение в центре кластера — это его важность
Создаём словарь и выводим ключевые термины

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']

Дополнительные аспекты

Работа с гиперссылками, эмодзи и т. д.
Нормализация слов (run, ran, running → run)
.todense() может не работать с большими наборами данных

Далее: упражнения!

Кластерный анализ на Python