本章主要的学习是中文分词 和两种统计词频(传统词频和TF-IDF算法 ) 的方法.
学习目的:通过N多的新闻标题 or 新闻摘要 or 新闻标签,生成基本的文本聚类,以便统计当天新闻的热点内容.
扩展:可以运用到文本分类 ,舆情分析 等.
基本的学习思路
1.准备文本 2.切词并统计词频 3.去掉极低频词和无意义词（如这个、那个、等等） 4.从剩余的词中提取文本特征，即最能代表文本的词 5.用空间向量表示文本，空间向量需标准化，即将数值映射到-1到1之间 6.利用所获取的空间向量进行聚类分析 7.交叉验证
第一步,准备文本.
我的做法是通过已经抓取好的RSS链接,然后通过Rome取得所有新闻数据,然后保存到MongoDb当中.这里叫奇的是MongoDb存取的速度哪叫一个惊人呀!哈哈.
如下是代码片段,
package com.antbee.test; import java.io.BufferedReader; import java.io.FileReader; import java.io.IOException; import java.net.URL; import java.util.List; import java.util.Map; import org.junit.Test; import com.mongodb.BasicDBObject; import com.sun.syndication.feed.synd.SyndEntry; import com.sun.syndication.feed.synd.SyndFeed; import com.sun.syndication.io.SyndFeedInput; import com.sun.syndication.io.XmlReader; /** * @author Weiya He */ public class TestForFeedReader { static MongodService mongoDAO = new MongoServiceImpl("chinaRss", "Rss"); static String basepath = TestForMangoDb.class.getResource("/").getPath(); @Test public void getDataFromRss() throws IOException { String filePath = basepath + "RSS.txt"; FileReader fr = new FileReader(filePath); BufferedReader br=new BufferedReader(fr); String rssUrl=br.readLine(); SyndFeedInput input = new SyndFeedInput(); while (rssUrl != null) { System.out.println("正在分析网站：" + rssUrl); try { SyndFeed feed = input.build(new XmlReader(new URL(rssUrl))); List<SyndEntry> syndEntrys = feed.getEntries(); saveInDb(syndEntrys); } catch (Exception e) { rssUrl = br.readLine();// 从文件中继续读取一行数据 } rssUrl = br.readLine();// 从文件中继续读取一行数据 } br.close();//关闭BufferedReader对象 fr.close();//关闭文件 } private void saveInDb(List<SyndEntry> syndEntrys){ for (int i = 0; i < syndEntrys.size(); i++) { SyndEntry synd = syndEntrys.get(i); BasicDBObject val = new BasicDBObject(); val.put("author", synd.getAuthor()); val.put("contents",synd.getContents()); val.put("description",synd.getDescription().toString()); val.put("weblink",synd.getLink()); val.put("publishedDate",synd.getPublishedDate()); val.put("webSource",synd.getSource()); val.put("title",synd.getTitle()); val.put("updatedDate",synd.getUpdatedDate()); val.put("url",synd.getUri()); mongoDAO.getCollection().save(val); } } @Test public void findAll(){ List<Map<String, Object>> map = mongoDAO.findAll(); for (int i=0;i<map.size();i++){ Map<String, Object> m = map.get(i); System.out.println("title = "+m.get("title").toString().trim()+":::"+m.get("publishedDate")); } } }
哈哈,通过如下方法把RSS的内容保存到MangoDb当中.
getDataFromRss
通过如下的方法,把数据库当中的数据取出来:
findAll()
哈哈,数据已经有了.如果觉得这样更新不及时的话,建议使用quartz加入你的应用调试吧,当然了这里只是实验代码,你应该加一些判断的逻辑在基中.
这是从抓取的部分RSS网址,大家可以下载试用.RSS.rar
第二步:切词并统计词频.
切词当然用mmseg了,主要是网站对他的评论还行了.中科院的哪个配置太麻烦,封装的也不到位.呵呵.
如下是代码片段:
package com.antbee.cluster.wordCount; import java.io.ByteArrayInputStream; import java.io.IOException; import java.io.InputStreamReader; import java.io.StringReader; import java.util.Iterator; import org.junit.Test; import com.chenlb.mmseg4j.ComplexSeg; import com.chenlb.mmseg4j.Dictionary; import com.chenlb.mmseg4j.MMSeg; import com.chenlb.mmseg4j.Seg; import com.chenlb.mmseg4j.SimpleSeg; import com.chenlb.mmseg4j.Word; /** * * @author Weiya * @version */ public class WordFrequencyStat { @Test public void stat() throws IOException { String str = "昨日，中国人民银行宣布，自2011年4月6日起上调金融机构人民币存贷款基准利率。金融机构一年期存贷款基准利率分别上调0.25个百分点，其他各档次存贷款基准利率及个人住房公积金贷款利率相应调整。【加息前后房贷对比图】"; String text = this.segStr(str, "simple");//切词后结果 char[] w = new char[501]; WordsTable wt = new WordsTable(); try { StringReader in = new StringReader(text); while (true) { int ch = in.read(); if (Character.isLetter((char) ch)) { int j = 0; while (true) { ch = Character.toLowerCase((char) ch); w[j] = (char) ch; if (j < 500) j++; ch = in.read(); if (!Character.isLetter((char) ch)) { String word1 = new String(w, 0, j); if (!wt.isStopWord(word1)) {// 如果不是停用词，则进行统计 word1 = wt.getStem(word1);// 提取词干 wt.stat(word1); } break; } } } if (ch < 0) break; } in.close(); Iterator iter = wt.getWords(); while (iter.hasNext()) { WordCount wor = (WordCount) iter.next(); if (wor.getCount()>1){ System.out.println(wor.getWord() + " : " + wor.getCount()); } } } catch (Exception e) { System.out.println(e); } } /** * * @param text * @param mode: simple or complex * @return * @throws IOException */ private String segStr(String text,String mode) throws IOException{ String returnStr = ""; Seg seg = null; Dictionary dic = Dictionary.getInstance(); if ("simple".equals(mode)) { seg = new SimpleSeg(dic); } else { seg = new ComplexSeg(dic); } // String words = seg. MMSeg mmSeg = new MMSeg(new InputStreamReader(new ByteArrayInputStream(text.getBytes())), seg); Word word = null; while ((word = mmSeg.next()) != null) { returnStr += word.getString()+" "; } return returnStr; } }
注意代码:这是我写死了参数,如果出现频度大于1的才打印出来.
if (wor.getCount()>1){ System.out.println(wor.getWord() + " : " + wor.getCount()); }
下面是打印出来的结果:
上调 : 2 金融机构 : 2 存贷 : 3 款 : 3 基准利率 : 3
基本上能够算出词频来.
继续。。。。
但是从上面的词频的计算结果来说，也未必能够准确的表达文章的主旨，所以，我也在网上找了一个使用TFIDF算法来计算的词频，
计算结果跟上面有很大不同。
TF-IDF算法说明：
TF-IDF（term frequency–inverse document frequency）。
TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF*IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条t在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，IDF越大，则说明词条t具有很好的类别区分能力。
代码如下：TfIdf.java
package com.antbee.cluster.wordCount; import java.io.BufferedReader; import java.io.ByteArrayInputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import java.io.InputStreamReader; import java.io.UnsupportedEncodingException; import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.Map; import org.junit.Test; import com.chenlb.mmseg4j.ComplexSeg; import com.chenlb.mmseg4j.Dictionary; import com.chenlb.mmseg4j.MMSeg; import com.chenlb.mmseg4j.Seg; import com.chenlb.mmseg4j.SimpleSeg; import com.chenlb.mmseg4j.Word; public class TfIdf { private static List<String> fileList = new ArrayList<String>(); private static HashMap<String, HashMap<String, Float>> allTheTf = new HashMap<String, HashMap<String, Float>>(); private static HashMap<String, HashMap<String, Integer>> allTheNormalTF = new HashMap<String, HashMap<String, Integer>>(); public static List<String> readDirs(String filepath) throws FileNotFoundException, IOException { try { File file = new File(filepath); if (!file.isDirectory()) { System.out.println("输入的参数应该为[文件夹名]"); System.out.println("filepath: " + file.getAbsolutePath()); } else if (file.isDirectory()) { String[] filelist = file.list(); for (int i = 0; i < filelist.length; i++) { File readfile = new File(filepath + "\" + filelist[i]); if (!readfile.isDirectory()) { // System.out.println("filepath: " + // readfile.getAbsolutePath()); fileList.add(readfile.getAbsolutePath()); } else if (readfile.isDirectory()) { readDirs(filepath + "\" + filelist[i]); } } } } catch (FileNotFoundException e) { System.out.println(e.getMessage()); } return fileList; } public static String readFiles(String file) throws FileNotFoundException, IOException { StringBuffer sb = new StringBuffer(); InputStreamReader is = new InputStreamReader(new FileInputStream(file), "gbk"); BufferedReader br = new BufferedReader(is); String line = br.readLine(); while (line != null) { sb.append(line).append(" "); line = br.readLine(); } br.close(); return sb.toString(); } public static String[] cutWord(String file) throws IOException { String[] cutWordResult = null; String text = TfIdf.readFiles(file); //MMAnalyzer analyzer = new MMAnalyzer(); // System.out.println("file content: "+text); // System.out.println("cutWordResult: "+analyzer.segment(text, " ")); String tempCutWordResult = segStr(text, "simple"); cutWordResult = tempCutWordResult.split(" "); return cutWordResult; } private static String segStr(String text,String mode) throws IOException{ String returnStr = ""; Seg seg = null; Dictionary dic = Dictionary.getInstance(); if ("simple".equals(mode)) { seg = new SimpleSeg(dic); } else { seg = new ComplexSeg(dic); } // String words = seg. MMSeg mmSeg = new MMSeg(new InputStreamReader(new ByteArrayInputStream(text.getBytes())), seg); Word word = null; while ((word = mmSeg.next()) != null) { returnStr += word.getString()+" "; } return returnStr; } public static HashMap<String, Float> tf(String[] cutWordResult) { HashMap<String, Float> tf = new HashMap<String, Float>();// 正规化 int wordNum = cutWordResult.length; int wordtf = 0; for (int i = 0; i < wordNum; i++) { wordtf = 0; for (int j = 0; j < wordNum; j++) { if (cutWordResult[i] != " " && i != j) { if (cutWordResult[i].equals(cutWordResult[j])) { cutWordResult[j] = " "; wordtf++; } } } if (cutWordResult[i] != " ") { tf.put(cutWordResult[i], (new Float(++wordtf)) / wordNum); cutWordResult[i] = " "; } } return tf; } public static HashMap<String, Integer> normalTF(String[] cutWordResult) { HashMap<String, Integer> tfNormal = new HashMap<String, Integer>();// 没有正规化 int wordNum = cutWordResult.length; int wordtf = 0; for (int i = 0; i < wordNum; i++) { wordtf = 0; if (cutWordResult[i] != " ") { for (int j = 0; j < wordNum; j++) { if (i != j) { if (cutWordResult[i].equals(cutWordResult[j])) { cutWordResult[j] = " "; wordtf++; } } } tfNormal.put(cutWordResult[i], ++wordtf); cutWordResult[i] = " "; } } return tfNormal; } public static Map<String, HashMap<String, Float>> tfOfAll(String dir) throws IOException { List<String> fileList = TfIdf.readDirs(dir); for (String file : fileList) { HashMap<String, Float> dict = new HashMap<String, Float>(); dict = TfIdf.tf(TfIdf.cutWord(file)); allTheTf.put(file, dict); } return allTheTf; } public static Map<String, HashMap<String, Integer>> NormalTFOfAll(String dir) throws IOException { List<String> fileList = TfIdf.readDirs(dir); for (int i = 0; i < fileList.size(); i++) { HashMap<String, Integer> dict = new HashMap<String, Integer>(); dict = TfIdf.normalTF(TfIdf.cutWord(fileList.get(i))); allTheNormalTF.put(fileList.get(i), dict); } return allTheNormalTF; } public static Map<String, Float> idf(String dir) throws FileNotFoundException, UnsupportedEncodingException, IOException { // 公式IDF＝log((1+|D|)/|Dt|)，其中|D|表示文档总数，|Dt|表示包含关键词t的文档数量。 Map<String, Float> idf = new HashMap<String, Float>(); List<String> located = new ArrayList<String>(); float Dt = 1; float D = allTheNormalTF.size();// 文档总数 List<String> key = fileList;// 存储各个文档名的List Map<String, HashMap<String, Integer>> tfInIdf = allTheNormalTF;// 存储各个文档tf的Map for (int i = 0; i < D; i++) { HashMap<String, Integer> temp = tfInIdf.get(key.get(i)); for (String word : temp.keySet()) { Dt = 1; if (!(located.contains(word))) { for (int k = 0; k < D; k++) { if (k != i) { HashMap<String, Integer> temp2 = tfInIdf.get(key.get(k)); if (temp2.keySet().contains(word)) { located.add(word); Dt = Dt + 1; continue; } } } idf.put(word, Log.log((1 + D) / Dt, 10)); } } } return idf; } public static Map<String, HashMap<String, Float>> tfidf(String dir) throws IOException { Map<String, Float> idf = TfIdf.idf(dir); Map<String, HashMap<String, Float>> tf = TfIdf.tfOfAll(dir); for (String file : tf.keySet()) { Map<String, Float> singelFile = tf.get(file); for (String word : singelFile.keySet()) { singelFile.put(word, (idf.get(word)) * singelFile.get(word)); } } return tf; } @Test public void test() throws FileNotFoundException, UnsupportedEncodingException, IOException{ Map<String, HashMap<String, Integer>> normal = TfIdf.NormalTFOfAll("d:/dir"); for (String filename : normal.keySet()) { System.out.println("fileName " + filename); System.out.println("TF " + normal.get(filename).toString()); } System.out.println("-----------------------------------------"); Map<String, HashMap<String, Float>> notNarmal = TfIdf.tfOfAll("d:/dir"); for (String filename : notNarmal.keySet()) { System.out.println("fileName " + filename); System.out.println("TF " + notNarmal.get(filename).toString()); } System.out.println("-----------------------------------------"); Map<String, Float> idf = TfIdf.idf("d;/dir"); for (String word : idf.keySet()) { System.out.println("keyword :" + word + " idf: " + idf.get(word)); } System.out.println("-----------------------------------------"); Map<String, HashMap<String, Float>> tfidf = TfIdf.tfidf("d:/dir"); for (String filename : tfidf.keySet()) { System.out.println("fileName " + filename); System.out.println(tfidf.get(filename)); } } }
Log.java
public class Log { public static float log(float value, float base) { return (float) (Math.log(value) / Math.log(base)); } }
其中我在d:盘下dir目录当中创建1.txt，文件为：
昨日，中国人民银行宣布，自2011年4月6日起上调金融机构人民币存贷款基准利率。金融机构一年期存贷款基准利率
分别上调0.25个百分点，其他各档次存贷款基准利率及个人住房公积金贷款利率相应调整。【加息前后房贷对比图】
通过TfIdf.java当中的测试类，结果为：
fileName d:dir1.txt TF {存款=1, 证券=1, 大=1, 公积金贷款=1, 而=1, 祥=1, 的=8, 可以=1, 工作日=1, 认为=1, 小说=1, 以来=1, 对应=1, 其他=1, 斌=1, 2011=1, 黄=1, 消化=1, 记者=1, 主要=2, 也=1, 比较=1, 军=2, 短期=1, 发展=1, 年=1, 银行=1, 炒作=1, 25=2, 分析=1, 市场=1, 档次=1, 3=1, 2=1, 这=1, 0=1, 6=2, 31=1, 4=1, 学院=1, 人民币=1, 压力=2, 8=1, 空间=1, 资本=1, 晚间=1, 为=1, 起到=1, 第二次=1, 次=1, 第四=1, 总体=3, 一年=3, 部分=1, 主导=1, 对称=2, 较少=1, 个=1, 锡=2, 师=1, 达=1, 及=1, 投机=1, 利息=2, 调节=1, 百分点=1, 款=3, 物价上涨=1, 开始=1, 副院长=1, 预期=1, 定期=1, 决定=1, 运作=1, 实体=1, 日=2, 与=2, 指出=1, 利率=3, 将=1, 有帮助=1, 本报讯=1, 信=1, 上涨=1, 央行=1, 是=1, 个人住房=1, 资金=3, 抑制=1, 公告=1, 用于=1, 倾向=1, 存贷=3, 今年以来=1, 相应=2, 上次=2, 有限=1, 保持=1, 去年=1, 操作=1, 长期=4, 上调=2, 明=1, 期=3, 项目=1, 股份有限公司=1, 贷款=3, 投资=1, 生产=1, 整存=1, 明显=1, 月=2, 赵=2, 有=1, 策略=1, 起=1, 可能=1, 幅度=2, 一样=1, 结束=1, 经济=1, 金融机构=2, 还有=1, 注意到=1, 发布=1, 加息=9, 中国人民大学=1, 昨日=1, 增加=2, 价格=1, 分别=1, 之际=1, 缓解=1, 这是=1, 基准利率=3, 更多=1, 突然=1, 作用=1, 中国人民银行=1, 整取=1, 导致=1, 假期=1, 也是=1, 流动资金=1, 企业=3, 平稳=1, 财=1, 后=1, 利差=1, 金=1, 选择=1, 表示=1, 各=1, 涉及=1, 达到=2, 在=1, 首席=1, 本次=2, 对=1, 调整=2, 傍晚=1, 宣布=1, 此次=1, 此外=1, 不同=1, 自=1} ----------------------------------------- fileName d:dir1.txt TF {存款=0.0044444446, 证券=0.0044444446, 大=0.0044444446, 公积金贷款=0.0044444446, 而=0.0044444446, 祥=0.0044444446, 的=0.035555556, 可以=0.0044444446, 工作日=0.0044444446, 认为=0.0044444446, 小说=0.0044444446, 以来=0.0044444446, 对应=0.0044444446, 其他=0.0044444446, 斌=0.0044444446, 2011=0.0044444446, 黄=0.0044444446, 消化=0.0044444446, 记者=0.0044444446, 主要=0.008888889, 也=0.0044444446, 比较=0.0044444446, 军=0.008888889, 短期=0.0044444446, 发展=0.0044444446, 年=0.0044444446, 银行=0.0044444446, 炒作=0.0044444446, 25=0.008888889, 分析=0.0044444446, 市场=0.0044444446, 档次=0.0044444446, 3=0.0044444446, 2=0.0044444446, 这=0.0044444446, 0=0.0044444446, 6=0.008888889, 31=0.0044444446, 4=0.0044444446, 学院=0.0044444446, 人民币=0.0044444446, 压力=0.008888889, 8=0.0044444446, 空间=0.0044444446, 资本=0.0044444446, 晚间=0.0044444446, 为=0.0044444446, 起到=0.0044444446, 第二次=0.0044444446, 次=0.0044444446, 第四=0.0044444446, 总体=0.013333334, 一年=0.013333334, 部分=0.0044444446, 主导=0.0044444446, 对称=0.008888889, 较少=0.0044444446, 个=0.0044444446, 锡=0.008888889, 师=0.0044444446, 达=0.0044444446, 及=0.0044444446, 投机=0.0044444446, 利息=0.008888889, 调节=0.0044444446, 百分点=0.0044444446, 款=0.013333334, 物价上涨=0.0044444446, 开始=0.0044444446, 副院长=0.0044444446, 预期=0.0044444446, 定期=0.0044444446, 决定=0.0044444446, 运作=0.0044444446, 实体=0.0044444446, 日=0.008888889, 与=0.008888889, 指出=0.0044444446, 利率=0.013333334, 将=0.0044444446, 有帮助=0.0044444446, 本报讯=0.0044444446, 信=0.0044444446, 上涨=0.0044444446, 央行=0.0044444446, 是=0.0044444446, 个人住房=0.0044444446, 资金=0.013333334, 抑制=0.0044444446, 公告=0.0044444446, 用于=0.0044444446, 倾向=0.0044444446, 存贷=0.013333334, 今年以来=0.0044444446, 相应=0.008888889, 上次=0.008888889, 有限=0.0044444446, 保持=0.0044444446, 去年=0.0044444446, 操作=0.0044444446, 长期=0.017777778, 上调=0.008888889, 明=0.0044444446, 期=0.013333334, 项目=0.0044444446, 股份有限公司=0.0044444446, 贷款=0.013333334, 投资=0.0044444446, 生产=0.0044444446, 整存=0.0044444446, 明显=0.0044444446, 月=0.008888889, 赵=0.008888889, 有=0.0044444446, 策略=0.0044444446, 起=0.0044444446, 可能=0.0044444446, 幅度=0.008888889, 一样=0.0044444446, 结束=0.0044444446, 经济=0.0044444446, 金融机构=0.008888889, 还有=0.0044444446, 注意到=0.0044444446, 发布=0.0044444446, 加息=0.04, 中国人民大学=0.0044444446, 昨日=0.0044444446, 增加=0.008888889, 价格=0.0044444446, 分别=0.0044444446, 之际=0.0044444446, 缓解=0.0044444446, 这是=0.0044444446, 基准利率=0.013333334, 更多=0.0044444446, 突然=0.0044444446, 作用=0.0044444446, 中国人民银行=0.0044444446, 整取=0.0044444446, 导致=0.0044444446, 假期=0.0044444446, 也是=0.0044444446, 流动资金=0.0044444446, 企业=0.013333334, 平稳=0.0044444446, 财=0.0044444446, 后=0.0044444446, 利差=0.0044444446, 金=0.0044444446, 选择=0.0044444446, 表示=0.0044444446, 各=0.0044444446, 涉及=0.0044444446, 达到=0.008888889, 在=0.0044444446, 首席=0.0044444446, 本次=0.008888889, 对=0.0044444446, 调整=0.008888889, 傍晚=0.0044444446, 宣布=0.0044444446, 此次=0.0044444446, 此外=0.0044444446, 不同=0.0044444446, 自=0.0044444446} ----------------------------------------- keyword :存款 idf: 0.30103 keyword :公积金贷款 idf: 0.30103 keyword :大 idf: 0.30103 keyword :证券 idf: 0.30103
从上面的结果来说，两个不同的算法大相径庭，我想可能要更多的测试才能得到结论。
第三步 去掉极低频词和无意义词（如这个、那个、等等）
可以将在单一文本中只出现1，2次的词去掉，然后需要在网上下载一个中文停用词表，去掉文本中的停用词，即无意义词
好了，下一节将学习和研究使用KNN或者SVM提取特征词。