Question

我希望在大量文档中跟踪主题流行度。此外，我想根据主题向用户提供建议，而不是通常的单词模型。为了提取主题，我使用了超出本文要点的自然语言处理技术。

我的问题是我应该如何保存这些数据，以便： I）我可以快速获取每个主题的趋势数据（原则上，每次用户打开文档时，该文档中的主题应该会越来越受欢迎） II）我可以快速比较文档以提供建议（这里我正在考虑使用聚类技术）

更具体地说，我的问题是： 1）我应该采用通常的方式存储文本挖掘数据吗？意味着为每个文档存储一个主题出现向量，以便我以后可以测量不同文档之间的欧氏距离。 2）其他一些方式？

我正在寻找特定的python方法来做到这一点。我已经研究过SQL和NoSQL数据库，还有pytables和h5py，但我不确定如何实现这样的系统。我关心的一个问题是如何处理不断增长的主题词汇？

非常感谢

Answer 1

我建议您在SQL数据库中执行此操作。您可能不希望将文档存储在那里，但主题是合适的。

您想要一个仅用于主题的表：

create table Topics (
    TopicId int identity(1,1), -- SQL Server for auto increment column
    TopicName varchar(255),
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

）

您希望为分配给文档的主题设置另一个表，假设您有某种文档ID来标识文档：

create table DocumentTopics (
    DocumentTopicId int identity(1,1), -- SQL Server for auto increment column
    TopicId int,
    DocumentID int,
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

）

另一个文档视图表：

create table DocumentView (
    DocumentViewId int identity(1,1), -- SQL Server for auto increment column
    DocumentId int,
    ViewedAt datetime,
    viewedBy int, -- some sort of user id
    CreatedBy varchar(255) default system_user,
    CreatedAt datetime default getdate()

）

现在，您可以使用以下查询获取给定日期范围内的热门主题：

select t.TopicId, t.TopicName, count(*) as cnt
from DocumentUsage du join
     DocumentTopics dt
     on du.DocumentId = dt.DocumentId join
     Topics t
     on dt.TopicsId = t.TopicsId
where du.ViewedAt between <date1> and <date2>
group by t.TopicId, t.TopicName
order by 3 desc

您还可以获取有关用户，随时间变化和其他信息的信息。您可以拥有一个用户表，它可以为主题提供权重（更可靠的用户，不太可靠的用户）。系统的这个方面应该在SQL中完成。

Answer 2

为什么没有简单的SQL表

表：

主键为id或文件名的文档
使用外键对文档和术语进行观察（在两个字段上编制索引可能是唯一的）

您提到的数组方法似乎是一种缓慢的术语。使用sql，您可以轻松地将新术语添加到观察表中。

如果文档表包含时间戳，则可以通过按日期汇总来轻松聚合甚至进行趋势分析。

存储文本挖掘数据

2 个答案: