我有几种不同的医学词汇（例如药物，症状，体征，疾病）以及一些自由文本诊断报告。我想使用tfidf或机器学习技术来首先分解自由文本，然后将重要的句子分类为不同的类别。 Python作为一种编程语言 例如，“需要服用阿司匹林的患者”被分类为“药物使用”，而在药物词汇中可以找到“阿司匹林”。 您能为我推荐一些算法吗？谢谢：）
答案 0 :(得分：0)
我建议您使用CountVectorizer，因为您已经有了关键字列表。 在CountVectorizer中，有一个参数可以设置Vocabulary。您可以坚持将关键词列为词汇。因此，CountVectorizer要做的是检查文档中的那些关键字，并根据这些关键字构建特征向量。让我们来看一个例子
from sklearn.feature_extraction.text import CountVectorizer
keywords=["aspirin","medication","patients"]
sen1="patients need to take aspirin"
sen2 = "medication required immediately"
vectorizer = CountVectorizer(vocabulary=keywords)
corpus=[sen1,sen2]
X = vectorizer.transform(corpus)
此后，当您打印矢量化器的功能名称时：-
print(vectorizer.get_feature_names())您将看到['aspirin', 'medication', 'patients']当您通过
print(X.toarray())看到每个句子的向量时，您将看到以下矩阵：-[[1 0 1][0 1 0]]因此，它基于向量的存在（1）和不存在（0）构建了一个向量关键字