NLTK - Bigram的计数频率

时间:2013-10-02 19:34:46

标签: python nlp nltk

这是一个Python和NLTK新手问题。

我想找到一起发生10次以上并且具有最高PMI的双字母组合的频率。

为此,我正在使用此代码

def get_list_phrases(text):

    tweet_phrases = []

    for tweet in text:
        tweet_words = tweet.split()
        tweet_phrases.extend(tweet_words)


    bigram_measures = nltk.collocations.BigramAssocMeasures()
    finder = BigramCollocationFinder.from_words(tweet_phrases,window_size = 13)
    finder.apply_freq_filter(10)
    finder.nbest(bigram_measures.pmi,20)  

    for k,v in finder.ngram_fd.items():
      print(k,v)

但是,这并不会将结果限制在前20位。我看到频率<1的结果。 10.我是Python的新手。

有人可以指出如何修改它以获得前20名。

谢谢

2 个答案:

答案 0 :(得分:24)

问题在于您尝试使用apply_freq_filter的方式。 我们正在讨论关于单词搭配的问题。如您所知,单词搭配是关于单词之间的依赖关系。 BigramCollocationFinder类继承自名为AbstractCollocationFinder的类,函数apply_freq_filter属于此类。 apply_freq_filter不应该完全删除一些单词搭配,而是在其他一些函数试图访问列表时提供过滤的搭配列表。

现在为什么?想象一下,如果过滤搭配只是删除它们,那么就有许多概率测量,例如似然比或PMI本身(计算一个词相对于语料库中其他词的概率),这些概率测量在从随机位置删除单词后将无法正常工作在给定的语料库中。 通过从给定的单词列表中删除一些搭配,将禁用许多潜在的功能和计算。 此外,在删除之前计算所有这些度量将带来巨大的计算开销,用户可能根本不需要。

现在,问题是如何正确使用apply_freq_filter function?有几种方法。在下文中,我将展示问题及其解决方案。

让我们定义一个示例语料库并将其拆分为与您所做的类似的单词列表:

tweet_phrases = "I love iphone . I am so in love with iphone . iphone is great . samsung is great . iphone sucks. I really really love iphone cases. samsung can never beat iphone . samsung is better than apple"
from nltk.collocations import *
import nltk

为了进行实验,我将窗口大小设置为3:

finder = BigramCollocationFinder.from_words(tweet_phrases.split(), window_size = 3)
finder1 = BigramCollocationFinder.from_words(tweet_phrases.split(), window_size = 3)

请注意,为了便于比较,我只使用finder1上的过滤器:

finder1.apply_freq_filter(2)
bigram_measures = nltk.collocations.BigramAssocMeasures()

现在,如果我写:

for k,v in finder.ngram_fd.items():
  print(k,v)

输出结果为:

(('.', 'is'), 3)
(('iphone', '.'), 3)
(('love', 'iphone'), 3)
(('.', 'iphone'), 2)
(('.', 'samsung'), 2)
(('great', '.'), 2)
(('iphone', 'I'), 2)
(('iphone', 'samsung'), 2)
(('is', '.'), 2)
(('is', 'great'), 2)
(('samsung', 'is'), 2)
(('.', 'I'), 1)
(('.', 'am'), 1)
(('.', 'sucks.'), 1)
(('I', 'am'), 1)
(('I', 'iphone'), 1)
(('I', 'love'), 1)
(('I', 'really'), 1)
(('I', 'so'), 1)
(('am', 'in'), 1)
(('am', 'so'), 1)
(('beat', '.'), 1)
(('beat', 'iphone'), 1)
(('better', 'apple'), 1)
(('better', 'than'), 1)
(('can', 'beat'), 1)
(('can', 'never'), 1)
(('cases.', 'can'), 1)
(('cases.', 'samsung'), 1)
(('great', 'iphone'), 1)
(('great', 'samsung'), 1)
(('in', 'love'), 1)
(('in', 'with'), 1)
(('iphone', 'cases.'), 1)
(('iphone', 'great'), 1)
(('iphone', 'is'), 1)
(('iphone', 'sucks.'), 1)
(('is', 'better'), 1)
(('is', 'than'), 1)
(('love', '.'), 1)
(('love', 'cases.'), 1)
(('love', 'with'), 1)
(('never', 'beat'), 1)
(('never', 'iphone'), 1)
(('really', 'iphone'), 1)
(('really', 'love'), 1)
(('samsung', 'better'), 1)
(('samsung', 'can'), 1)
(('samsung', 'great'), 1)
(('samsung', 'never'), 1)
(('so', 'in'), 1)
(('so', 'love'), 1)
(('sucks.', 'I'), 1)
(('sucks.', 'really'), 1)
(('than', 'apple'), 1)
(('with', '.'), 1)
(('with', 'iphone'), 1)

如果我为finder1写相同的结果,我会得到相同的结果。所以,乍一看过滤器不起作用。但是,看看它是如何工作的:诀窍是使用score_ngrams

如果我在score_ngrams上使用finder,那就是:

finder.score_ngrams (bigram_measures.pmi)

,输出为:

[(('am', 'in'), 5.285402218862249), (('am', 'so'), 5.285402218862249), (('better', 'apple'), 5.285402218862249), (('better', 'than'), 5.285402218862249), (('can', 'beat'), 5.285402218862249), (('can', 'never'), 5.285402218862249), (('cases.', 'can'), 5.285402218862249), (('in', 'with'), 5.285402218862249), (('never', 'beat'), 5.285402218862249), (('so', 'in'), 5.285402218862249), (('than', 'apple'), 5.285402218862249), (('sucks.', 'really'), 4.285402218862249), (('is', 'great'), 3.7004397181410926), (('I', 'am'), 3.7004397181410926), (('I', 'so'), 3.7004397181410926), (('cases.', 'samsung'), 3.7004397181410926), (('in', 'love'), 3.7004397181410926), (('is', 'better'), 3.7004397181410926), (('is', 'than'), 3.7004397181410926), (('love', 'cases.'), 3.7004397181410926), (('love', 'with'), 3.7004397181410926), (('samsung', 'better'), 3.7004397181410926), (('samsung', 'can'), 3.7004397181410926), (('samsung', 'never'), 3.7004397181410926), (('so', 'love'), 3.7004397181410926), (('sucks.', 'I'), 3.7004397181410926), (('samsung', 'is'), 3.115477217419936), (('.', 'am'), 2.9634741239748865), (('.', 'sucks.'), 2.9634741239748865), (('beat', '.'), 2.9634741239748865), (('with', '.'), 2.9634741239748865), (('.', 'is'), 2.963474123974886), (('great', '.'), 2.963474123974886), (('love', 'iphone'), 2.7004397181410926), (('I', 'really'), 2.7004397181410926), (('beat', 'iphone'), 2.7004397181410926), (('great', 'samsung'), 2.7004397181410926), (('iphone', 'cases.'), 2.7004397181410926), (('iphone', 'sucks.'), 2.7004397181410926), (('never', 'iphone'), 2.7004397181410926), (('really', 'love'), 2.7004397181410926), (('samsung', 'great'), 2.7004397181410926), (('with', 'iphone'), 2.7004397181410926), (('.', 'samsung'), 2.37851162325373), (('is', '.'), 2.37851162325373), (('iphone', 'I'), 2.1154772174199366), (('iphone', 'samsung'), 2.1154772174199366), (('I', 'love'), 2.115477217419936), (('iphone', '.'), 1.963474123974886), (('great', 'iphone'), 1.7004397181410922), (('iphone', 'great'), 1.7004397181410922), (('really', 'iphone'), 1.7004397181410922), (('.', 'iphone'), 1.37851162325373), (('.', 'I'), 1.37851162325373), (('love', '.'), 1.37851162325373), (('I', 'iphone'), 1.1154772174199366), (('iphone', 'is'), 1.1154772174199366)]

现在注意当我为finder1计算过滤到频率为2的相同内容时会发生什么:

finder1.score_ngrams(bigram_measures.pmi)

和输出:

[(('is', 'great'), 3.7004397181410926), (('samsung', 'is'), 3.115477217419936), (('.', 'is'), 2.963474123974886), (('great', '.'), 2.963474123974886), (('love', 'iphone'), 2.7004397181410926), (('.', 'samsung'), 2.37851162325373), (('is', '.'), 2.37851162325373), (('iphone', 'I'), 2.1154772174199366), (('iphone', 'samsung'), 2.1154772174199366), (('iphone', '.'), 1.963474123974886), (('.', 'iphone'), 1.37851162325373)]

请注意,此列表中不存在频率小于2的所有搭配;这正是你要找的结果。所以过滤器已经工作了。此外,文档提供了有关此问题的最小提示。

我希望这已经回答了你的问题。否则,请告诉我。

免责声明:如果您主要处理推文,则窗口大小为13太大了。如果您注意到,在我的示例语料库中,我的示例推文的大小太小,以至于应用窗口大小为13会导致找到无关紧要的搭配。

答案 1 :(得分:-2)

请参阅http://nltk.googlecode.com/svn/trunk/doc/howto/collocations.html上的教程,了解collocationNLTK函数的更多用法以及https://en.wikipedia.org/wiki/Pointwise_mutual_information中的数学运算。希望以下脚本可以帮助您,因为您的代码问题没有指定输入内容。

# This is just a fancy way to create document. 
# I assume you have your texts in a continuous string format
# where each sentence ends with a fullstop.
>>> from itertools import chain
>>> docs = ["this is a sentence", "this is a foo bar", "you are a foo bar", "yes , i am"]
>>> texts = list(chain(*[(j+" .").split() for j in [i for i in docs]]))

# This is the NLTK part
>>> from nltk.collocations import BigramAssocMeasures, BigramCollocationFinder>>> bigram_measures= BigramAssocMeasures()
>>> finder  BigramCollocationFinder.from_words(texts)
# This gets the top 20 bigrams according to PMI
>>> finder.nbest(bigram_measures.pmi,20)
[(',', 'i'), ('i', 'am'), ('yes', ','), ('you', 'are'), ('foo', 'bar'), ('this', 'is'), ('a', 'foo'), ('is', 'a'), ('a', 'sentence'), ('are', 'a'), ('bar', '.'), ('.', 'yes'), ('.', 'you'), ('am', '.'), ('sentence', '.'), ('.', 'this')]

PMI通过计算log ( p(x|y) / p(x) )来衡量两个单词的关联,因此它不仅与单词出现的频率或一组单词同时出现在一起。要实现高PMI,您需要:

  1. 高p(x | y)
  2. 低p(x)
  3. 以下是一些极端的PMI示例。

    假设您在语料库中有100个单词,如果某个单词X的频率为1且仅在另一个单词Y上出现,则然后:

    p(x|y) = 1
    p(x) = 1/100
    PMI = log(1 / 1/100) = log 0.01 = -2
    

    假设您在语料库中有100个单词,如果某个单词的频率为90但是从不出现另一个单词Y ,那么PMI就是

    p(x|y) = 0
    p(x) = 90/100
    PMI = log(0 / 90/100) = log 0 = -infinity
    

    所以在这个意义上,第一个场景是&gt;&gt;&gt;即使第二个词的频率非常高,X,Y之间的PMI也比第二个场景高。