专栏首页北京马哥教育Python自然语言处理分析倚天屠龙记

Python自然语言处理分析倚天屠龙记

转载自:Python中文社区 ID:python-china

最近在了解到,在机器学习中,自然语言处理是较大的一个分支。存在许多挑战。例如: 如何分词,识别实体关系,实体间关系,关系网络展示等。

我用Jieba + Word2vec + NetworkX 结合在一起,做了一次自然语言分析。语料是 倚天屠龙记。 之前也有很多人用金庸的武侠小说做分析和处理,希望带来一些不同的地方。截几张图来看看:

所有人物的相似图连接。

关系同上。展示形式为多中心结构

以张无忌的不同身份为中心的网络关系图。

这次分析的不一样之处主要是:

1、Word2Vec的相似度结果 - 作为后期社交网络权重

2、NetworkX中分析和展示

上面两个方法结合起来,可以大幅减少日常工作中阅读文章的时间。 采用机器学习,可以从头到尾半自动抽取文章中的实体信息,节约大量时间和成本。 在各种工作中都有利用的场景, 如果感兴趣的朋友,可以联系合作。

先来看看,用Word2Vec+NetworkX 可以发现什么。

一、分析结果

实体的不同属性(张无忌的总多马甲)

张无忌,无忌,张教主,无忌哥哥,张公子。同一个张无忌有多个身份,不同身份又和不同的人联系,有不一样的相似度。

先来看看图:

无忌哥哥是过于亲密的名字,一般不喊。好似和这个词相似度高的都是比较奇怪的角色。

无忌是关系熟了以后,平辈或者长辈可以称呼的名字。还有周姑娘,殷姑娘等

张无忌是通用的名字,人人可以称呼 和马甲联系密切。

张公子是礼貌尊称。 例如,黄衫女子,汝阳王等

张教主是头衔。既要尊重,也表示其实不太熟,有时还有些敌意。 例如: 朱元璋

注:

1、图是Networkx 基于Word2vex画出来了,上面的描述是我的人工分析。

2、赵敏不在上面的网络关系图中。Word2Vec计算出来 张无忌和赵敏 相似度不太高。有些出乎我的意料。 仔细回忆一下,当年看此书时,突然就发现二人在一起了,显得比较突兀。推想起来,书中世界二人成婚了,如果变成现实世界,二人关系比较悬。

二、实现过程

主要步骤:

准备语料

  1. 倚天屠龙记 小说的文本文件
  2. 自定义分词词典 (小说中的人物名,网上有现成的,约180个)
  3. 停用词表

准备工具

  1. Python Pandas, Numpy,Scipy(标准库)
  2. Jieba(中文分词)
  3. Word2vec (单词向量化工具,可以计算单词之间的详细度)
  4. Networks(网络图工具,用于展示复杂的网络关系

数据预处理

  1. 文本文件转发成utf8(pandas)
  2. 文本文件分句,分词(Jieba)
  3. 文本文件分句,分词, 分析词性,主要是人名(Jieba)
  4. 更新自定义词典,重新分词(整个过程需要几遍,直至满意)
  5. 手工少量删除(分词出来的人名误判率不高,但是还是存在一些。例如:赵敏笑道,可以被识别的 一个叫 赵敏笑的人。 这部分工作还需要手工做。 除非有更好的分词工具,或者可以训练的分词工具,才能解决这一问题。

Word2Vec 训练模型。这个模型可以计算两个人之间的相似度

  1. 采用300个维度
  2. 过滤词频小于20次
  3. 滑动窗口 为20
  4. 下采样:0.001

生成实体关系矩阵。

  1. 网上没找找到现成库,我就自己写了一个。
  2. N*N 维度。 N是人名数量。
  3. 用上面WordVec的模型来,填充实体关系矩阵

NetworkX 生成网络图

  1. 节点是人名
  2. 边是两个节点之间的线条。也就是两个人之间的关系。

三、部分代码实现

初始化

import numpy as np
import pandas as pd
import jieba
import jieba.posseg as posseg
%matplotlib inline

数据分词,清洗

renming_file = "yttlj_renming.csv"
jieba.load_userdict(renming_file)
stop_words_file = "stopwordshagongdakuozhan.txt"
stop_words = pd.read_csv(stop_words_file,header=None,quoting=3,sep="	")[0].values
corpus = "yttlj.txt"
yttlj = pd.read_csv(corpus,encoding="gb18030",header=None,names=["sentence"])


def cut_join(s):
    new_s=list(jieba.cut(s,cut_all=False)) #分词
    #print(list(new_s))
    stop_words_extra =set([""])


    for seg in new_s:

        if len(seg)==1:
            #print("aa",seg)
            stop_words_extra.add(seg)

    #print(stop_words_extra)
    #print(len(set(stop_words)| stop_words_extra))

    new_s =set(new_s) -set(stop_words)-stop_words_extra
    #过滤标点符号
    #过滤停用词
    result = ",".join(new_s)

    return  result

def extract_name(s):
    new_s=posseg.cut(s) #取词性
    words=[]
    flags=[]
    for k,v in new_s:
        if len(k)>1:
            words.append(k)
            flags.append(v)
    full_wf["word"].extend(words)
    full_wf["flag"].extend(flags)
    return len(words)

def check_nshow(x):
    nshow = yttlj["sentence"].str.count(x).sum()
    #print(x, nshow)
    return nshow

# extract name & filter times

full_wf={"word":[],"flag":[]}
possible_name = yttlj["sentence"].apply(extract_name)
#tmp_w,tmp_f

df_wf = pd.DataFrame(full_wf)

df_wf_renming = df_wf[(df_wf.flag=="nr")].drop_duplicates()
df_wf_renming.to_csv("tmp_renming.csv",index=False)

df_wf_renming = pd.read_csv("tmp_renming.csv")
df_wf_renming.head()



df_wf_renming["nshow"] = df_wf_renming.word.apply(check_nshow)

df_wf_renming[df_wf_renming.nshow>20].to_csv("tmp_filtered_renming.csv",index=False)

df_wf_renming[df_wf_renming.nshow>20].shape

#手工编辑,删除少量非人名,分词错的人名
df_wf_renming=pd.read_csv("tmp_filtered_renming.csv")
my_renming = df_wf_renming.word.tolist()


external_renming = pd.read_csv(renming_file,header=None)[0].tolist()


combined_renming = set(my_renming) |set(external_renming)
pd.DataFrame(list(combined_renming)).to_csv("combined_renming.csv",header=None,index=False)


combined_renming_file ="combined_renming.csv"
jieba.load_userdict(combined_renming_file)


# tokening

yttlj["token"]=yttlj["sentence"].apply(cut_join)

yttlj["token"].to_csv("tmp_yttlj.csv",header=False,index=False)
sentences = yttlj["token"].str.split(",").tolist()

Word2Vec 向量化训练

# Set values for various parameters
num_features = 300    # Word vector dimensionality                      
min_word_count = 20   # Minimum word count                        
num_workers = 4       # Number of threads to run in parallel
context = 20          # Context window size                                                                                    
downsampling = 1e-3   # Downsample setting for frequent words

# Initialize and train the model (this will take some time)

from gensim.models import word2vec

model_file_name = 'yttlj_model.txt' 
#sentences = w2v.LineSentence('cut_jttlj.csv') 


model = word2vec.Word2Vec(sentences, workers=num_workers, 
            size=num_features, min_count = min_word_count, 
            window = context, 
            sample = downsampling
            )



model.save(model_file_name)

建立实体关系矩阵

entity = pd.read_csv(combined_renming_file,header=None,index_col=None)
entity = entity.rename(columns={0:"Name"})
entity = entity.set_index(["Name"],drop=False)

ER = pd.DataFrame(np.zeros((entity.shape[0],entity.shape[0]),dtype=np.float32),index=entity["Name"],columns=entity["Name"])
ER["tmp"] = entity.Name

def check_nshow(x):
    nshow = yttlj["sentence"].str.count(x).sum()
    #print(x, nshow)
    return nshow

ER["nshow"]=ER["tmp"].apply(check_nshow)
ER = ER.drop(["tmp"],axis=1)

count = 0
for i in entity["Name"].tolist():
    count +=1
    if count % round(entity.shape[0]/10) ==0:
        print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))
    elif count == entity.shape[0]:
        print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))

    for j in entity["Name"]:
        relation =0
        try:
            relation = model.wv.similarity(i,j)
            ER.loc[i,j] = relation
            if i!=j:
                ER.loc[j,i] = relation
        except:
            relation = 0



ER.to_hdf("ER.h5","ER")

NetworkX 展示人物关系图

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import pygraphviz
from networkx.drawing.nx_agraph import graphviz_layout

本文作者

王勇,python中文社区作者,雪球ID:快乐_爸,目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理,通信业干了11年项目经理管合同交付,制造业干了6年项目管理:PMO,变革,生产转移,清算和资产处理。MBA, PMI-PBA, PMP。

《Python人工智能和全栈开发》2018年07月23日即将在北京开课,120天冲击Python年薪30万,改变速约~~~~

*声明:推送内容及图片来源于网络,部分内容会有所改动,版权归原作者所有,如来源信息有误或侵犯权益,请联系我们删除或授权事宜。

- END -


本文分享自微信公众号 - 马哥Linux运维(magedu-Linux)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-03-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Iptables防火墙 基础知识

    Iptables防火墙 基础知识 位置 使用vim /usr/sysconfig/iptables 启动、关闭、保存 service iptables stop...

    小小科
  • varnish学习总结

    什么是web cache? Web缓存是指一个Web资源(如html页面,图片,js,数据等)存在与Web服务器和客户端(浏览器)直接的副本。缓存会根据进来...

    小小科
  • 大型网站的灵魂——性能

    Via: http://blog.jobbole.com/84433/ 前言 在前一篇随笔《大型网站系统架构的演化》中,介绍了大型网站的演化过程,期间穿插了一...

    小小科
  • Python自然语言处理分析倚天屠龙记

    最近在了解到,在机器学习中,自然语言处理是较大的一个分支。存在许多挑战。例如: 如何分词,识别实体关系,实体间关系,关系网络展示等。

    Python中文社区
  • JavaWeb上传和下载原理及实现

    通过观察发现这个的请求体就发生了变化。这种请求体被称之为多部件请求体。 什么是多部件请求体:就是把每一个表单项分割为一个部件。 以请求头的co...

    秋白
  • 为什么C++短整型溢出了还可以比较!

    复习C++的时候,看到一段通过比较两个short变量之和与2^15大小来判定是否溢出的代码,惊到我了,两个short相加都超过short取值范围了,还能和最大取...

    gojam
  • 使用Helm将应用程序部署到IBM Cloud上的Kubernetes

    Helm是Kubernetes的包管理程序。借助Helm,您可以非常方便地将应用程序,工具和数据库(如MongoDB,PostgreSQL,WordPress和...

    Techeek
  • Android逆向 | 基础篇 - Java 学习笔记02

    •定义的位置不一样•局部变量:在方法的内部•成员变量:在方法的外部,直接写在类中•作用范围不一样•局部变量:只有方法中才可以使用,出了方法就不能再用•成员变量:...

    咸鱼学Python
  • Spring与Mybatis的整合

    提供一种Spring的IoC容器与Mybatis的整合方式,其中中,Mybatis采用纯注解方式配置,Spring采用XML方式配置。数据库源采用的是C3P0数...

    泰坦HW

扫码关注云+社区

领取腾讯云代金券