Тематичне моделювання для виявлення шахрайства

Виявлення шахрайства в Python

Charlotte Werger

Data Scientist

Тематичне моделювання: приховані закономірності в тексті

Відкриття тем у текстових даних
«Про що цей текст»
Концептуально схоже на кластеризацію даних
Порівняйте теми у шахрайських і не шахрайських випадках та використайте як ознаку або прапорець
Або… чи є тема, що прямо вказує на шахрайство?

Latent Dirichlet Allocation (LDA)

З LDA ви отримуєте:

модель «теми для кожного тексту» (ймовірності)
модель «слова для кожної теми»

Створення власної моделі тем:

Очистіть дані
Створіть bag-of-words зі словника та корпусу
Передайте словник і корпус у модель LDA

Latent Dirichlet Allocation (LDA)

Bag of words: словник і 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]

Latent Dirichlet Allocation (LDA) у 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 потренуємось!

Виявлення шахрайства в Python