使用nltk和scikit-learn从文本中为标签云挑选最相关的单词

Question

我希望从文本中获取最相关的单词，以便准备标签云。

我使用scikit-learn包中的CountVectoriser：

cv = CountVectorizer(min_df=1, charset_error="ignore",
    stop_words="english", max_features=200)

这很好，因为它给了我话语和频率：

counts = cv.fit_transform([text]).toarray().ravel()
words = np.array(cv.get_feature_names())

我可以过滤非频繁的单词：

words = words[counts > 1]
counts = counts[counts > 1]

以及单词，即数字：

words = words[np.array(map(lambda x: x.isalpha(), words))]
counts = counts[np.array(map(lambda x: x.isalpha(), words))]

但它仍然不完美......

我的问题是：

1. 如何过滤掉动词？
2. 如何完全去除词干以消除同一个词的不同形式？
3. 如何调用CountVectoriser来过滤掉两个字母的单词？

请注意：

1. 我对nltk很好，但回答“你应该尝试nltk”不是答案，请给我一个代码。
2. 我不想使用需要训练模型的贝叶斯分类器和其他技术。我没有时间，我没有训练分类器的例子。
3. 语言为英语

Answer 1

1-如何过滤掉动词？

取决于您要支持的语言。你需要一个好的句子+单词标记器对和一部分语音标记器。所有这三个组件通常都是使用机器学习模型实现的（尽管您可以使用基于规则的句子和单词标记器获得良好的结果）。如果你只想支持英语，你可以在nltk找到预先训练过的模型，但我不是专家，你必须阅读文档和教程：）

一旦你知道如何将文本分成句子和单词，并识别和删除动词，你可以将其包装为python函数并将其传递给CountVectorizer构造函数，请参阅下文。

2-如何完全去除词干以消除不同形式的同一个词？

您必须将自定义tokenizer python可调用传递给CountVectorizer构造函数，以同时处理令牌提取，词干提取和可选的过滤。这在documentation。

中有解释

对于词干本身，它取决于您想要支持的语言，但您可以从http://nltk.org/api/nltk.stem.html开始

有一个拉动请求，可以让插入一个词干分析器更自然：

https://github.com/scikit-learn/scikit-learn/pull/1537

3-如何调用CountVectorizer过滤掉两个字母的单词？

您可以更改用于标记化的默认正则表达式：

>>> from sklearn.feature_extraction.text import CountVectorizer
>>> CountVectorizer().token_pattern
u'(?u)\\b\\w\\w+\\b'
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,}\\b').build_tokenizer()(
...    'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde', 'xxxxxxxxxxxxxxxxxxxxxx']
>>> CountVectorizer(token_pattern=u'(?u)\\b\\w{3,9}\\b').build_tokenizer()(
...     'a ab abc abcd abcde xxxxxxxxxxxxxxxxxxxxxx')
['abc', 'abcd', 'abcde']

但在您的情况下，您可能希望将标记生成器整体替换。您仍然可以查看source of the default implementation。

但有一点需要注意：要构建标签云，直接使用nltk和python标准库中的collections.Counter类可能要容易得多。 sklearn对此任务没有太多帮助。