Тематическое моделирование для выявления мошенничества

Обнаружение мошенничества на Python

Charlotte Werger

Data Scientist

Тематическое моделирование: выявление скрытых закономерностей в тексте

Обнаружение тем в текстовых данных
«О чём этот текст»
Концептуально схоже с кластеризацией данных
Сравнение тем мошеннических и обычных случаев — как признак или флаг
Или... есть ли в данных тема, которая указывает на мошенничество?

Латентное размещение Дирихле (LDA)

LDA даёт:

Модель «темы на текстовый элемент» (вероятности)
Модель «слова на тему»

Создание собственной тематической модели:

Очистите данные
Создайте мешок слов: словарь и корпус
Передайте словарь и корпус в модель LDA

Латентное размещение Дирихле (LDA)

Мешок слов: словарь и корпус

from gensim import corpora

# Create dictionary number of times a word appears
dictionary = corpora.Dictionary(cleaned_emails)

# Filter out (non)frequent words 
dictionary.filter_extremes(no_below=5, keep_n=50000)

# Create corpus
corpus = [dictionary.doc2bow(text) for text in cleaned_emails]

Латентное размещение Дирихле (LDA) с gensim

import gensim
# Define the LDA model
ldamodel = gensim.models.ldamodel.LdaModel(corpus, num_topics = 3, 
id2word=dictionary, passes=15)

# Print the three topics from the model with top words
topics = ldamodel.print_topics(num_words=4)
for topic in topics:
    print(topic)

(0, 0.029*"email" + 0.016*"send" + 0.016*"results" + 0.016*"invoice")
(1, 0.026*"price" + 0.026*"work" + 0.026*"management" + 0.026*"sell")
(2, 0.029*"distribute" + 0.029*"contact" + 0.016*"supply" + 0.016*"fast")

Давайте потренируемся!

Обнаружение мошенничества на Python