nltk-构建和使用语料库-可用于小说的推荐-完整实例

时间:2022-01-15 19:46:01

步骤1:构建语料库:

[python] view plain copy
  1. #!/usr/bin/env python  
  2. #-*-coding=utf-8-*-  
  3.    
  4.    
  5. #数据源目录(二级目录)  
  6. sourceDataDir='data'  
  7.    
  8. #数据源文件列表  
  9. fileLists = []  
  10.    
  11. import os  
  12. from gensim import corpora, models, similarities  
  13.                
  14. def getSourceFileLists(sourceDataDir):    
  15.     fileLists = []  
  16.     subDirList = os.listdir(sourceDataDir)  
  17.     for subDir in subDirList:  
  18.         subList = os.listdir(sourceDataDir + '/' + subDir)  
  19.         fileList = [ sourceDataDir+'/'+subDir+'/'+ x for x in subList if os.path.isfile(sourceDataDir+'/'+subDir+'/'+x)]  
  20.         fileLists += fileList  
  21.    
  22.     return  fileLists     
  23.            
  24.            
  25. fileLists = getSourceFileLists(sourceDataDir)    
  26.      
  27.      
  28. if 0 < len(fileLists):   
  29.     import codecs  
  30.     import jieba  
  31.     punctuations = ['','\n','\t',',''.'':'';''?''('')''['']''&''!''*''@''#''$''%']   
  32.        
  33.     if not os.path.exists('dict'):  
  34.         os.mkdir("dict")   
  35.     if not os.path.exists('corpus'):  
  36.         os.mkdir("corpus")   
  37.    
  38.     for fileName in fileLists:  
  39.         print fileName  
  40.    
  41.         hFile = None  
  42.         content = None  
  43.         try:  
  44.             hFile = codecs.open(fileName,'r','gb18030')  
  45.             content = hFile.readlines()  
  46.         except Exception,e:  
  47.             print e  
  48.         finally:  
  49.             if hFile:  
  50.                 hFile.close()  
  51.            
  52.         if content:  
  53.             fileFenci = [ x for x in jieba.cut(' '.join(content),cut_all=True)]  
  54.             fileFenci2 = [word for word in fileFenci if not word in punctuations]    
  55.                
  56.             texts = [fileFenci2]  
  57.    
  58.             all_tokens = sum(texts, [])  
  59.             tokens_once = set(word for word in set(all_tokens) if all_tokens.count(word) == 1)  
  60.             texts = [[word for word in text if word not in tokens_once] for text in texts]  
  61.    
  62.             sFileDir, sFileName = os.path.split(fileName)  
  63.             dictFileName = 'dict/'+sFileName+'.dict'  
  64.             corpusFileName = 'corpus/'+sFileName+'.mm'  
  65.                
  66.             dictionary = corpora.Dictionary(texts)  
  67.             dictionary.save_as_text(dictFileName)  
  68.    
  69.             corpus = ([dictionary.doc2bow(text) for text in texts])  
  70.             corpora.MmCorpus.serialize(corpusFileName, corpus)   
  71.    
  72. print 'Build corpus done'  

数据源:

来自 http://d1.txthj.com/newrar/txthj_264.rar 的83篇小说,将其目录存放在目录 ./data/下。

加载时作为二层目录处理

输出:

./dict 和 ./corpus

在对应目录下生成 xxx.dict 和 xxx.mm,xxx为原文件的全称(不包括路径,包括后缀)


步骤2:加载语料库,相似性分析

[python] view plain copy
  1. #!/usr/bin/env python  
  2. #-*-coding=utf-8-*-  
  3.    
  4.    
  5. import os  
  6. from gensim import corpora, models, similarities  
  7.                
  8. def getFileList(dir):              
  9.     return [ dir + x for x in os.listdir(dir)]  
  10. dictLists =  getFileList('./dict/')  
  11.     
  12.    
  13. class LoadDictionary(object):  
  14.     def __init__(self, dictionary):  
  15.         self.dictionary = dictionary  
  16.    
  17.     def __iter__(self):  
  18.         for dictFile in dictLists:  
  19.             sFileRaw, sFilePostfix = os.path.splitext(dictFile)  
  20.             sFileDir, sFileName = os.path.split(sFileRaw)  
  21.             (dictFile, corpusFile) = ( './dict/' + sFileName + '.dict',  './corpus/'+sFileName + '.mm')  
  22.             yield self.dictionary.load_from_text(dictFile)  
  23.                
  24. class LoadCorpus(object):  
  25.    
  26.     def __iter__(self):  
  27.         for dictFile in dictLists:  
  28.             sFileRaw, sFilePostfix = os.path.splitext(dictFile)  
  29.             sFileDir, sFileName = os.path.split(sFileRaw)  
  30.             (dictFile, corpusFile) = ( './dict/' + sFileName + '.dict',  './corpus/'+sFileName + '.mm')  
  31.             yield corpora.MmCorpus(corpusFile)  
  32.                
  33.      
  34. """ 
  35.     预处理(easy_install nltk) 
  36. """  
  37. #简化的 中文+英文 预处理  
  38. def pre_process_cn(inputs, low_freq_filter = True):  
  39.     """ 
  40.         1.去掉停用词 
  41.         2.去掉标点符号 
  42.         3.处理为词干 
  43.         4.去掉低频词 
  44.   
  45.     """  
  46.     import nltk  
  47.     import jieba.analyse  
  48.     from nltk.tokenize import word_tokenize  
  49.        
  50.     texts_tokenized = []  
  51.     for document in inputs:  
  52.         texts_tokenized_tmp = []  
  53.         for word in word_tokenize(document):  
  54.             texts_tokenized_tmp += jieba.analyse.extract_tags(word,10)  
  55.         texts_tokenized.append(texts_tokenized_tmp)      
  56.        
  57.     texts_filtered_stopwords = texts_tokenized  
  58.    
  59.     #去除标点符号  
  60.     english_punctuations = [',''.'':'';''?''('')''['']''&''!''*''@''#''$''%']  
  61.     texts_filtered = [[word for word in document if not word in english_punctuations] for document in texts_filtered_stopwords]  
  62.    
  63.     #词干化  
  64.     from nltk.stem.lancaster import LancasterStemmer  
  65.     st = LancasterStemmer()  
  66.     texts_stemmed = [[st.stem(word) for word in docment] for docment in texts_filtered]  
  67.        
  68.     #去除过低频词  
  69.     if low_freq_filter:  
  70.         all_stems = sum(texts_stemmed, [])  
  71.         stems_once = set(stem for stem in set(all_stems) if all_stems.count(stem) == 1)  
  72.         texts = [[stem for stem in text if stem not in stems_once] for text in texts_stemmed]  
  73.     else:  
  74.         texts = texts_stemmed  
  75.     return texts  
  76.    
  77. dictionary = corpora.dictionary.Dictionary()  
  78. dictionary_memory_friendly = LoadDictionary(dictionary)  
  79. for vector in dictionary_memory_friendly:   
  80.     dictionary = vector  
  81.    
  82. corpus = []  
  83. corpus_memory_friendly = LoadCorpus()  
  84. for vector in corpus_memory_friendly:   
  85.     corpus.append(vector[0])  
  86.        
  87. if 0 < len(corpus):  
  88.     tfidf = models.TfidfModel(corpus)  
  89.     corpus_tfidf = tfidf[corpus]  
  90.    
  91.     model = models.LsiModel(corpus_tfidf, id2word=None, num_topics=20,  chunksize=2000000#不指定 id2word=dictionary 时,LsiModel内部会根据 corpus 重建 dictionary  
  92.     index = similarities.Similarity('./novel_', model[corpus], num_features=len(corpus))   
  93.    
  94.     #要处理的对象登场,这里随便从小说中截取了一段话  
  95.     target_courses = ['男人们的脸上沉重而冷凝,蒙着面纱的女人们则是发出断断续续的哭泣声,他们无比专注地看着前方,见证一场生与死的拉锯战。']  
  96.     target_text = pre_process_cn(target_courses, low_freq_filter=False)  
  97.    
  98.     """ 
  99.     对具体对象相似度匹配 
  100.     """  
  101.     #选择一个基准数据  
  102.     ml_course = target_text[0]  
  103.     #词袋处理  
  104.     ml_bow = dictionary.doc2bow(ml_course)     
  105.    
  106.     #在上面选择的模型数据 lsi model 中,计算其他数据与其的相似度  
  107.     ml_lsi = model[ml_bow]     #ml_lsi 形式如 (topic_id, topic_value)  
  108.     sims = index[ml_lsi]     #sims 是最终结果了, index[xxx] 调用内置方法 __getitem__() 来计算ml_lsi  
  109.    
  110.     #排序,为输出方便  
  111.     sort_sims = sorted(enumerate(sims), key=lambda item: -item[1])  
  112.    
  113.     #查看结果  
  114.     print sort_sims[0:10]     
  115.     print len(dictLists)  
  116.     print dictLists[sort_sims[1][0]]   
  117.     print dictLists[sort_sims[2][0]]   
  118.     print dictLists[sort_sims[3][0]]  

说明:

yield的使用是为了更好的内存效率。


遗留问题:

    步骤2会有提示:

     /usr/lib/python2.7/dist-packages/scipy/sparse/compressed.py:122: UserWarning: indices array has non-integer dtype (float64)

    不影响处理过程