【短文本聚类】TextCluster：短文本聚类预处理模块 Short text cluster
【短文本聚类】TextCluster：短文本聚类预处理模块 Short text cluster
阅读大概需要5分钟 跟随小博主，每天进步一丢丢
整理：AINLP
推荐Github上一个NLP相关的项目：RandyPen/TextCluster
项目地址，阅读原文可以直达，欢迎参与和Star： https://github.com/RandyPen/TextCluster 这个项目的作者是AINLP交流群里的昭鸣同学，该项目开源了一个短文本聚类工具，内存友好，速度不错，还不用尝试隐变量个数，欢迎使用。
以下来自该项目介绍页，点击阅读原文可以直达相关资源链接。
短文本聚类
项目介绍
短文本聚类是常用的文本预处理步骤，可以用于洞察文本常见模式、分析设计语义解析规范等。本项目实现了内存友好的短文本聚类方法。
依赖库
pip install tqdm jieba
使用方法
python cluster.py --infile ./data/infile \
--output ./data/output具体参数设置可以参考cluster.py文件内_get_parser()函数参数说明，包含设置分词词典、停用词、匹配采样数、匹配度阈值等。
文件路径
TextCluster
| README.md
| LICENSE
| cluster.py 主要执行程序
|
|------utils 公共功能模块
| | __init__.py
| | segmentor.py 分词器封装
| | similar.py 相似度计算函数
| | utils.py 文件处理模块
|
|------data
| | infile 默认输入文本路径，用于测试中文模式
| | infile_en 默认输入文本路径，用于测试英文模式
| | seg_dict 默认分词词典
| | stop_words 默认停用词路径注：本方法仅面向短文本，长文本聚类可根据需求选用SimHash, LDA等其他算法。
Text Cluster
Introduction
Text cluster is a normal preprocess method to analysis text feature. This project implements a memory friendly method for short text cluster. For long text, it will be preferable to choose SimHash or LDA or others according to demand.
Requirements
pip install tqdm spacy
Usage
python cluster.py --infile ./data/infile_en \
--output ./data/output \
--lang enFile Structure
TextCluster
| README.md
| LICENSE
| cluster.py main excutable function
|
|------utils utilities
| | __init__.py
| | segmentor.py tokenizer wrapper
| | similar.py similarity calculator
| | utils.py file process module
|
|------data
| | infile default input file path, to test Chinese mode
| | infile_en default input file path, to test English mode
| | seg_dict default tokenizer dict path
| | stop_words default stop words pathOther Language
For other specific language, modify tokenizer wrapper in ./utils/segmentor.py.