Spark应用HanLP对中文语料进行文本挖掘--聚类

软件:IDEA2014、Maven、HanLP、JDK;

用到的知识:HanLP、Spark TF-IDF、Spark kmeans、Spark mapPartition;

用到的数据集:http://www.threedweb.cn/thread-1288-1-1.html(不需要下载,已经包含在工程里面);

工程下载:https://github.com/fansy1990/hanlp-test 。

1. 问题描述

    现在有一个中文文本数据集,这个数据集已经对其中的文本做了分类,如下:

其中每个文件夹中含有个数不等的文件,比如环境有200个,艺术有248个;同时,每个文件的内容基本上就是一些新闻报道或者中文描述,如下:

现在需要做的就是,把这些文档进行聚类,看其和原始给定的类别的重合度有多少,这样也可以反过来验证我们聚类算法的正确度。

2. 解决思路:

  2.1 文本预处理:

 1.    由于文件的编码是GBK的,读取到Spark中全部是乱码,所以先使用Java把代码转为UTF8编码;  

 2. 由于文本存在多个文件中(大概2k多),使用Spark的wholeTextFile读取速度太慢,所以考虑把这些文件全部合并为一个文件,这时又结合1.的转变编码,所以在转变编码的时候就直接把所有的数据存入同一个文件中;

    其存储的格式为: 每行:    文件名.txt\t文件内容

   如:  41.txt 【 日  期 】199601....

这样子的话,就可以通过.txt\t 来对每行文本进行分割,得到其文件名以及文件内容,这里每行其实就是一个文件了。

2.2 分词

   分词直接采用HanLP的分词来做,HanLP这里选择两种:Standard和NLP(还有一种就是HighSpeed,但是这个木有用户自定义词典,所以前期考虑先用两种),具体参考:https://github.com/hankcs/HanLP ;

2.3 词转换为词向量

  在Kmeans算法中,一个样本需要使用数值类型,所以需要把文本转为数值向量形式,这里在Spark中有两种方式。其一,是使用TF-IDF;其二,使用Word2Vec。这里暂时使用了TF-IDF算法来进行,这个算法需要提供一个numFeatures,这个值越大其效果也越好,但是相应的计算时间也越长,后面也可以通过实验验证。

2.4 使用每个文档的词向量进行聚类建模

在进行聚类建模的时候,需要提供一个初始的聚类个数,这里面设置为10,因为我们的数据是有10个分组的。但是在实际的情况下,一般这个值是需要通过实验来验证得到的。

2.5 对聚类后的结果进行评估

这里面采用的思路是:

1. 得到聚类模型后,对原始数据进行分类,得到原始文件名和预测的分类id的二元组(fileName,predictId);

2. 针对(fileName,predictId),得到(fileNameFirstChar ,fileNameFirstChar.toInt - predictId)的值,这里需要注意的是fileNameFirstChar其实就是代表这个文件的原始所属类别了。

3. 这里有一个一般假设,就是使用kmeans模型预测得到的结果大多数是正确的,所以fileNameFirstChar.toInt-predictId得到的众数其实就是分类的正确的个数了(这里可能比较难以理解,后面会有个小李子来说明这个问题);

4. 得到每个实际类别的预测的正确率后就可以去平均预测率了。

5. 改变numFeatuers的值,看下是否numFeatures设置的比较大,其正确率也会比较大?

3. 具体步骤:

3.1 开发环境--Maven

首先第一步,当然是开发环境了,因为用到了Spark和HanLP,所以需要在pom.xml中加入这两个依赖:

<!-- 中文分词框架 -->

<dependency>

<groupId>com.hankcs</groupId>

<artifactId>hanlp</artifactId>

<version>${hanlp.version}</version>

</dependency>

<!-- Spark dependencies -->

<dependency>

<groupId>org.apache.spark</groupId>

<artifactId>spark-core_2.10</artifactId>

<version>${spark.version}</version>

</dependency>

<dependency>

<groupId>org.apache.spark</groupId>

<artifactId>spark-mllib_2.10</artifactId>

<version>${spark.version}</version>

</dependency>

其版本为:<hanlp.version>portable-1.3.4</hanlp.version>、 <spark.version>1.6.0-cdh5.7.3</spark.version>。

3.2 文件转为UTF-8编码及存储到一个文件

这部分内容可以直接参考:src/main/java/demo02_transform_encoding.TransformEncodingToOne 这里的实现,因为是Java基本的操作,这里就不加以分析了。

3.3 Scala调用HanLP进行中文分词

Scala调用HanLP进行分词和Java的是一样的,同时,因为这里有些词语格式不正常,所以把这些特殊的词语添加到自定义词典中,其示例如下:

import com.hankcs.hanlp.dictionary.CustomDictionary

import com.hankcs.hanlp.dictionary.stopword.CoreStopWordDictionary

import com.hankcs.hanlp.tokenizer.StandardTokenize

import scala.collection.JavaConversions._

/**

* Scala 分词测试

* Created by fansy on 2017/8/25.

*/

object SegmentDemo {

def main(args: Array[String]) {

val sentense = "41,【 日 期 】19960104 【 版 号 】1 【 标 题 】合巢芜高速公路巢芜段竣工 【 作 者 】彭建中 【 正 文 】 安徽合(肥)巢(湖)芜(湖)高速公路巢芜段日前竣工通车并投入营运。合巢芜 高速公路是国家规划的京福综合运输网的重要干线路段,是交通部确定1995年建成 的全国10条重点公路之一。该条高速公路正线长88公里。(彭建中)"

CustomDictionary.add("日 期")

CustomDictionary.add("版 号")

CustomDictionary.add("标 题")

CustomDictionary.add("作 者")

CustomDictionary.add("正 文")

val list = StandardTokenizer.segment(sentense)

CoreStopWordDictionary.apply(list)

println(list.map(x => x.word.replaceAll(" ","")).mkString(","))

}

}

运行完成后,即可得到分词的结果,如下:

考虑到使用方便,这里把分词封装成一个函数:

/**

* String 分词

* @param sentense

* @return

*/

def transform(sentense:String):List[String] ={

val list = StandardTokenizer.segment(sentense)

CoreStopWordDictionary.apply(list)

list.map(x => x.word.replaceAll(" ","")).toList

}

}

输入即是一个中文的文本,输出就是分词的结果,同时去掉了一些常用的停用词。

3.4 求TF-IDF

在Spark里面求TF-IDF,可以直接调用Spark内置的算法模块即可,同时在Spark的该算法模块中还对求得的结果进行了维度变换(可以理解为特征选择或“降维”,当然这里的降维可能是提升维度)。代码如下:

val docs = sc.textFile(input_data).map{x => val t = x.split(".txt\t");(t(0),transform(t(1)))}

.toDF("fileName", "sentence_words")

// 3. 求TF

println("calculating TF ...")

val hashingTF = new HashingTF()

.setInputCol("sentence_words").setOutputCol("rawFeatures").setNumFeatures(numFeatures)

val featurizedData = hashingTF.transform(docs)

// 4. 求IDF

println("calculating IDF ...")

val idf = new IDF().setInputCol("rawFeatures").setOutputCol("features")

val idfModel = idf.fit(featurizedData)

val rescaledData = idfModel.transform(featurizedData).cache()

变量docs是一个DataFrame[fileName, sentence_words] ,经过HashingTF后,变成了变量 featurizedData ,同样是一个DataFrame[fileName,sentence_words, rawFeatures]。这里通过setInputCol以及SetOutputCol可以设置输入以及输出列名(列名是针对DataFrame来说的,不知道的可以看下DataFrame的API)。

接着,经过IDF模型,得到变量 rescaledData ,其DataFrame[fileName,sentence_words, rawFeatures, features] 。

执行结果为:

3.5 建立KMeans模型

直接参考官网给定例子即可:

println("creating kmeans model ...")

val kmeans = new KMeans().setK(k).setSeed(1L)

val model = kmeans.fit(rescaledData)

// Evaluate clustering by computing Within Set Sum of Squared Errors.

println("calculating wssse ...")

val WSSSE = model.computeCost(rescaledData)

println(s"Within Set Sum of Squared Errors = $WSSSE")

这里有计算cost值的,但是这个值评估不是很准确,比如我numFeature设置为2000的话,那么这个值就很大,但是其实其正确率会比较大的。

3.6 模型评估

这里的模型评估直接使用一个小李子来说明:比如,现在有这样的数据:

其中,1开头,2开头和4开头的属于同一类文档,后面的0,3,2,1等,代表这个文档被模型分类的结果,那么可以很容易的看出针对1开头的文档,

其分类正确的有4个,其中("123.txt",3)以及(“126.txt”,1)是分类错误的结果,这是因为,在这个类别中预测的结果中0是最多的,所以0是和1开头的文档对应起来的,这也就是前面的假设。

1. 把同一类文档分到同一个partition中;

val data = sc.parallelize(t)

val file_index = data.map(_._1.charAt(0)).distinct.zipWithIndex().collect().toMap

println(file_index)

val partitionData = data.partitionBy(MyPartitioner(file_index))

这里的file_index,是对不同类的文档进行编号,这个编号就对应每个partition,看MyPartitioner的实现:

case class MyPartitioner(file_index:Map[Char,Long]) extends Partitioner{

override def getPartition(key: Any): Int = key match {

case _ => file_index.getOrElse(key.toString.charAt(0),0L).toInt

}

override def numPartitions: Int = file_index.size

}

2. 针对每个partition进行整合操作:

在整合每个partition之前,我们先看下我们自定义的MyPartitioner是否在正常工作,可以打印下结果:

val tt = partitionData.mapPartitionsWithIndex((index: Int, it: Iterator[(String,Int)]) => it.toList.map(x => (index,x)).toIterator)

tt.collect().foreach(println(_))

运行如下:

其中第一列代表每个partition的id,第二列是数据,发现其数据确实是按照预期进行处理的;接着可以针对每个partition进行数据整合:

// firstCharInFileName , firstCharInFileName - predictType

val combined = partitionData.map(x =>( (x._1.charAt(0), Integer.parseInt(x._1.charAt(0)+"") - x._2),1) )

.mapPartitions{f => var aMap = Map[(Char,Int),Int]();

for(t <- f){

if (aMap.contains(t._1)){

aMap = aMap.updated(t._1,aMap.getOrElse(t._1,0)+1)

}else{

aMap = aMap + t

}

}

val aList = aMap.toList

val total= aList.map(_._2).sum

val total_right = aList.map(_._2).max

List((aList.head._1._1,total,total_right)).toIterato

// aMap.toIterator //打印各个partition的总结

}

在整合之前先执行一个map操作,把数据变成((fileNameFirstChar, fileNameFirstChar.toInt - predictId), 1),其中fileNameFirstChar代表文件的第一个字符,其实也就是文件的所属实际类别,后面的fileNameFirstChar.toInt-predictId 其实就是判断预测的结果是否对了,这个值的众数就是预测对的;最后一个值代码前面的这个键值对出现的次数,其实就是统计属于某个类别的实际文件个数以及预测对的文件个数,分别对应上面的total和total_right变量;输出结果为:

(4,6,3)

(1,6,4)

(2,6,4)

发现其打印的结果是正确的,第一列代表文件名开头,第二个代表属于这个文件的个数,第三列代表预测正确的个数

这里需要注意的是,这里因为文本的实际类别和文件名是一致的,所以才可以这样处理,如果实际数据的话,那么mapPartitions函数需要更改。

3. 针对数据结果进行统计:

最后只需要进行简单的计算即可:

for(re <- result ){

println("文档"+re._1+"开头的 文档总数:"+ re._2+",分类正确的有:"+re._3+",分类正确率是:"+(re._3*100.0/re._2)+"%")

}

val averageRate = result.map(_._3).sum *100.0 / result.map(_._2).sum

println("平均正确率为:"+averageRate+"%")

输出结果为:

4. 实验

  设置不同的numFeature,比如使用200和2000,其对比结果为:

所以设置numFeatures值越大,其准确率也越高,不过计算也比较复杂。

5. 总结

1. HanLP的使用相对比较简单,这里只使用了分词及停用词,感谢开源;

2. Spark里面的TF-IDF以及Word2Vector使用比较简单,不过使用这个需要先分词;

3. 这里是在IDEA里面运行的,如果使用Spark-submit的提交方式,那么需要把hanpl的jar包加入,这个有待验证;

文章来源于fansy1990的博客

原文链接:http://blog.51cto.com/13993767/2296211

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

Apache Spark中使用DataFrame的统计和数学函数

我们在Apache Spark 1.3版本中引入了DataFrame功能, 使得Apache Spark更容易用. 受到R语言和Python中数据框架的启发, ...

2.5K6
来自专栏图形学与OpenGL

机械版CG 实验2 直线生成算法的实现

理解基本图形元素光栅化的基本原理,掌握一种基本图形元素光栅化算法,利用OpenGL实现直线光栅化的DDA算法。

1912
来自专栏hadoop学习笔记

Spark应用HanLP对中文语料进行文本挖掘--聚类详解教程

用到的知识:HanLP、Spark TF-IDF、Spark kmeans、Spark mapPartition;

1410
来自专栏Petrichor的专栏

图像处理: 如何将 像素值 控制在 值域[0, 255]

在做计算机视觉方向项目的时候,往往需要进行图像处理。但是在此过程中,常常会遇到 对 像素值 进行 变换计算 后,像素值 超出 值域区间 [0, 255] 的情况...

1434
来自专栏小樱的经验随笔

一步一步深入理解Dijkstra算法

先简单介绍一下最短路径: 最短路径是啥?就是一个带边值的图中从某一个顶点到另外一个顶点的最短路径。 官方定义:对于内网图而言,最短路径是指两顶点之间经过的边...

3603
来自专栏何俊林

OpenGL ES总结(五)OpenGL 中pipeline机制

导读:OpenGL ES是在图形图像中,非常优秀的渲染库,其中pipeline可以说是非常重要一个环节。 前一篇介绍是渲染视频,今天主要介绍OpenGL中pip...

2888
来自专栏人工智能头条

如何用微信监管你的TF训练?

1633
来自专栏云时之间

NLP系列学习:常用的语言平滑模型

不过在MIT的NLP课程ppt中总结说有三种模式:Discounting, Interpolationg, Back-off

4019
来自专栏新智元

深度学习挑战冯·诺依曼结构

【新智元导读】想挑战冯·诺依曼,就必须从三个要素入手:基本操作,例如加减乘除;逻辑流程控制,例如if-else-then,for,while;设存储器,内存和硬...

39711
来自专栏人工智能LeadAI

机器学习实战 | 第一章:sklearn常用工具介绍

写在前面: 花了大力气学了很多的理论,也用Python实现了其中大部分的算法.接下来开始就进入实战阶段了. 实战阶段有三个重点: 1.选择合适的机器学习框...

29410

扫码关注云+社区

领取腾讯云代金券