情感分析之TF-IDF算法

http://minieastdaycom/bdmip/180414224336264html

在这篇文章中，主要介绍的内容有：

1、将单词转换为特征向量

2、TF-IDF计算单词关联度

文本的预处理和分词。

如何将单词等分类数据转成为数值格式，以方便我们后面使用机器学习来训练模型。

一、将单词转换为特征向量

词袋模型(bag-of-words model)：将文本以数值特征向量的形式来表示。主要通过两个步骤来实现词袋模型：

1、为整个文档集(包含了许多的文档)上的每个单词创建一个唯一的标记。

2、为每个文档构建一个特征向量，主要包含每个单词在文档上的出现次数。

注意：由于每个文档中出现的单词数量只是整个文档集中很少的一部分，因此会有很多的单词没有出现过，就会被标记为0。所以，特征向量中大多数的元素就会为0，就会产生稀疏矩阵。

下面通过sklearn的CountVectorizer来实现一个词袋模型，将文档转换成为特征向量

通过countvocabulary_我们可以看出每个单词所对应的索引位置，每一个句子都是由一个6维的特征向量所组成。其中，第一列的索引为0，对应单词"and"，"and"在第一和二条句子中没有出现过，所以为0，在第三条句子中出现过一些，所以为1。特征向量中的值也被称为原始词频(raw term frequency)简写为tf(t,d)，表示在文档d中词汇t的出现次数。

注意：在上面词袋模型中，我们是使用单个的单词来构建词向量，这样的序列被称为1元组(1-gram)或单元组(unigram)模型。除了一元组以外，我们还可以构建n元组(n-gram)。n元组模型中的n取值与特定的应用场景有关，如在反垃圾邮件中，n的值为3或4的n元组可以获得比较好的效果。下面举例说明一下n元组，如在"the weather is sweet"这句话中，

1元组："the"、"weather"、"is"、"sweet"。

2元组："the weather"、"weather is"、"is sweet"。

在sklearn中，可以设置CountVecorizer中的ngram_range参数来构建不同的n元组模型，默认ngram_range=(1,1)。

sklearn通过CountVecorizer构建2元组

二、TF-IDF计算单词关联度

在使用上面的方法来构建词向量的时候可能会遇到一个问题：一个单词在不同类型的文档中都出现，这种类型的单词其实是不具备文档类型的区分能力。我们通过TF-IDF算法来构建词向量，从而来克服这个问题。

词频-逆文档频率(TF-IDF，term frequency-inverse document frequency)：tf-idf可以定义为词频×逆文档频率

其中tf(t,d)表示单词t在文档d中的出现次数，idf(t,d)为逆文档频率，计算公式如下

其中，nd表示文档的总数，df(t,d)表示包含单词t的文档d的数量。分母中加入常数1，是为了防止df(t,d)=0的情况，导致分母为0。取log的目的是保证当df(t,d)很小的时候，不会导致idf(t,d)过大。

通过sklearn的TfidfTransformer和CountVectorizer来计算tf-idf

可以发现"is"(第二列)和"the"(第六列)，它们在三个句子中都出现过，它们对于文档的分类所提供的信息并不会很多，所以它们的tf-idf的值相对来说都是比较小的。

注意：sklearn中的TfidfTransformer的TF-IDF的计算与我们上面所定义TF-IDF的公式有所不同,sklearn的TF-IDF计算公式

通常在计算TF-IDF之前，会对原始词频tf(t,d)做归一化处理，TfidfTransformer是直接对tf-idf做归一化。TfidfTransformer默认使用L2归一化，它通过与一个未归一化特征向量L2范数的比值，使得返回向量的长度为1，计算公式如下：

下面通过一个例子来说明sklearn中的TfidfTransformer的tf-idf的计算过程，以上面的第一句话"The sun is shining"为例子

1、计算原始词频

a、单词所对应的下标

b、计算第三句话的原始词频tf(t,d)

c、计算逆文档频率idf(t,d)

注意：其他的词在计算tf-idf都是0，因为原始词频为0，所以就不需要计算idf了，log是以自然数e为底。

d、计算tf-idf

所以，第一个句子的tf-idf特征向量为[0,1,129,129,0,1,0]

e、tf-idf的L2归一化

　　一、《诗经》中《小雅、采薇》的末章：昔我往矣，杨柳依依，今我来思，雨雪霏霏。下雪之初，先下雪珠，有时降雪也伴随着降雨，所以有“雨雪霏霏”之句。　　二、晋联句诗 谢太傅寒雪日集儿女讲论文义事，雪下大了，公曰：“大雪纷纷何所似”，兄子曰：“撒盐空中差可拟”，兄女曰：“未若柳絮因风起”，便可以看作是韵同义贯的咏雪联句诗。　　用“撒盐空中”和“柳絮因风起”来比拟“大雪纷飞”，各有千秋。有人认为“撒盐空中”一喻好，雪的颜色和下落之态跟盐比较接近，而柳絮呈灰白色，在风中往往上扬，甚至飞得更高更远，跟雪的飘舞方式不同。写物必须首先求得形似而后达于神似，形似是基础。　　有人认为“柳絮因风起”一喻好，它给人以春天即将到来的感觉，有深刻的意蕴。而“撒盐”一喻所缺乏的恰恰是意蕴。好的诗句要有意象，意象是物象和意蕴的统一，“柳絮”一喻就好在有意象。　　三、南朝梁吴均有一首《咏雪》五言诗，近于律体，是历来传诵的名篇：“微风摇庭树，细雪下帘隙。萦空如雾转，凝阶似花积。不见杨柳春，徒见桂枝白。泪无人道，相思空何益。”全诗前六句写景，后两句抒情，极有韵致，不论是写雪的动态美“如雾转”，还是写雪的静态美“似花积”，都能状难写之景如在目前。　　四、 （一） 唐李白《北风行》：燕山雪花大如席，片片吹落轩辕台。　　[赏析] 燕山一带的雪花大得像席子一样，一片一片吹落在轩辕台上 这是李白描写雪花的名句。燕山在今河北蓟县东南，这里泛指我国北方。轩辕台遗址在今河北怀来县乔山上。句中说“雪大如席”，这是高度的艺术夸张，但又不失其真实。正如鲁迅在《漫谈“漫画”》一文中所说：“‘燕山雪花大如席’是夸张，但燕山究竟有雪花，就含着一点诚实在里面，使我们立刻知道燕山原来有这么冷。如果说广州雪花大如席，那就变成笑话了。”　　不知道你是哪个咏雪，就都找给你了