手把手教你做文本挖掘

一、文本挖掘定義

文本挖掘指的是從文本數據中獲取有價值的信息和知識，它是數據挖掘中的一種方法。文本挖掘中最重要最基本的應用是實現文本的分類和聚類，前者是有監督的挖掘演算法，後者是無監督的挖掘演算法。

二、文本挖掘步驟

1）讀取資料庫或本地外部文本文件

2）文本分詞

2.1）自定義字典

2.2）自定義停止詞

2.3）分詞

2.4）文字雲檢索哪些詞切的不準確、哪些詞沒有意義，需要循環2.1、2.2和 2.3步驟

3）構建文檔-詞條矩陣並轉換為數據框

4）對數據框建立統計、挖掘模型

5）結果反饋

三、文本挖掘所需工具

本次文本挖掘將使用R語言實現，除此還需載入幾個R包，它們是tm包、tmcn包、Rwordseg包和wordcloud包。其中tmcn包和Rwordseg包無法在CRAN鏡像中下載到，有關這兩個包的下載方法可參見下文：

R語言之文本挖掘--分詞

四、實戰

本文所用數據集來自於sougou實驗室數據，具體可至如下鏈接下載：

http://download.labs.sogou.com/dl/sogoulabdown/SogouC.mini.20061102.tar.gz

本文對該數據集做了整合，將各個主題下的新聞匯總到一張csv表格中，數據格式如下圖所示：

『

具體數據可至文章後面的鏈接。

#載入所需R包

library(tm)

library(Rwordseg)

library(wordcloud)

library(tmcn)

#讀取數據

mydata <- read.table(file = file.choose(), header = TRUE, sep = ,, stringsAsFactors = FALSE)

str(mydata)

接下來需要對新聞內容進行分詞，在分詞之前需要導入一些自定義字典，目的是提高切詞的準確性。由於文本中涉及到軍事、醫療、財經、體育等方面的內容，故需要將搜狗字典插入到本次分析的字典集中。

#添加自定義字典

installDict(dictpath = G:dict財經金融辭彙大全【官方推薦】.scel,

dictname = Caijing, dicttype = scel)

installDict(dictpath = G:dict軍事辭彙大全【官方推薦】.scel,

dictname = Junshi, dicttype = scel)

installDict(dictpath = G:dict籃球【官方推薦】.scel,

dictname = Lanqiu, dicttype = scel)

installDict(dictpath = G:dict旅遊辭彙大全【官方推薦】.scel,

dictname = Lvyou, dicttype = scel)

installDict(dictpath = G:dict汽車辭彙大全【官方推薦】.scel,

dictname = Qiche1, dicttype = scel)

installDict(dictpath = G:dict汽車頻道專用詞庫.scel,

dictname = Qiche2, dicttype = scel)

installDict(dictpath = G:dict醫學辭彙大全【官方推薦】.scel,

dictname = Yixue, dicttype = scel)

installDict(dictpath = G:dict足球【官方推薦】.scel,

dictname = Zuqiu, dicttype = scel)

#查看已安裝的詞典

listDict()

如果需要卸載某些已導入字典的話，可以使用uninstallDict()函數。

分詞前將中文中的英文字母統統去掉。

#剔除文本中含有的英文字母

mydata$Text <- gsub([a-zA-Z],,mydata$Text)

#分詞

segword <- segmentCN(strwords = mydata$Text)

#查看第一條新聞分詞結果

segword[[1]]

圖中圈出來的詞對後續的分析並沒有什麼實際意義，故需要將其剔除，即刪除停止詞。

#創建停止詞

mystopwords <- read.table(file = file.choose(), stringsAsFactors = FALSE)

head(mystopwords)

class(mystopwords)

#需要將數據框格式的數據轉化為向量格式

mystopwords <- as.vector(mystopwords[,1])

head(mystopwords)

停止詞創建好後，該如何刪除76條新聞中實際意義的詞呢？下面通過自定義刪除停止詞的函數加以實現。

#自定義刪除停止詞的函數

removewords <- function(target_words,stop_words){

target_words = target_words[target_words%in%stop_words==FALSE]

return(target_words)

}

segword2 <- sapply(X = segword, FUN = removewords, mystopwords)

#查看已刪除後的分詞結果

segword2[[1]]

相比與之前的分詞結果，這裡瘦身了很多，剔除了諸如「是」、「的」、「到」、「這」等無意義的次。

判別分詞結果的好壞，最快捷的方法是繪製文字雲，可以清晰的查看哪些詞不該出現或哪些詞分割的不準確。

#繪製文字圖

word_freq <- getWordFreq(string = unlist(segword2))

opar <- par(no.readonly = TRUE)

par(bg = black)

#繪製出現頻率最高的前50個詞

wordcloud(words = word_freq$Word, freq = word_freq$Freq, max.words = 50, random.color = TRUE, colors = rainbow(n = 7))

par(opar)

很明顯這裡仍然存在一些無意義的詞（如說、日、個、去等）和分割不準確的詞語（如黃金周切割為黃金，醫藥切割為葯等），這裡限於篇幅的原因，就不進行再次添加自定義辭彙和停止詞。

#將已分完詞的列表導入為語料庫,並進一步加工處理語料庫

text_corpus <- Corpus(x = VectorSource(segword2))

text_corpus

此時語料庫中存放了76條新聞的分詞結果。

#去除語料庫中的數字

text_corpus <- tm_map(text_corpus, removeNumbers)

#去除語料庫中的多餘空格

text_corpus <- tm_map(text_corpus, stripWhitespace)

#創建文檔-詞條矩陣

dtm <- DocumentTermMatrix(x = text_corpus, control = list(wordLengths = c(2,Inf)))

dtm

從圖中可知，文檔-詞條矩陣包含了76行和7939列，行代表76條新聞，列代表7939個詞；該矩陣實際上為稀疏矩陣，其中矩陣中非0元素有11655個，而0元素有591709，稀疏率達到98%；最後，這7939個詞中，最頻繁的一個詞出現在了49條新聞中。

由於稀疏矩陣的稀疏率過高，這裡將剔除一些出現頻次極地的詞語。

#去除稀疏矩陣中的詞條

dtm <- removeSparseTerms(x = dtm, sparse = 0.9)

dtm

這樣一來，矩陣中列大幅減少，當前矩陣只包含了116列，即116個詞語。

為了便於進一步的統計建模，需要將矩陣轉換為數據框格式。

#將矩陣轉換為數據框格式

df <- as.data.frame(inspect(dtm))

#查看數據框的前6行(部分)

head(df)

統計建模：聚類分析

聚類分析是文本挖掘的基本應用，常用的聚類演算法包括層次聚類法、劃分聚類法、EM聚類法和密度聚類法。相關演算法的應用可參考如下幾篇文章：

基於R語言的數據挖掘之聚類演算法--劃分方法

基於R語言的數據挖掘之聚類演算法--層次方法

基於R語言的數據挖掘之聚類演算法--基於密度方法

聚類之EM演算法

這裡使用層次聚類中的McQuitty相似分析法實現新聞的聚類。

#計算距離

d <- dist(df)

#層次聚類法之McQuitty相似分析法

fit1 <- hclust(d = d, method = mcquitty)

plot(fit1)

rect.hclust(tree = fit1, k = 7, border = red)

這裡的McQuitty層次聚類法效果不理想，類與類之間分布相當不平衡,我想可能存在三種原因：

1）文章的主幹關鍵詞出現頻次不夠，使得文章沒能反映某種主題；

2）分詞過程中沒有剔除對建模不利的干擾詞，如中國、美國、公司、市場、記者等詞語；

3）沒能夠準確分割某些常用詞，如黃金周。

總結

所以在實際的文本挖掘過程中，最為困難和耗費時間的就是分詞部分，既要準確分詞，又要剔除無意義的詞語，這對文本挖掘者是一種挑戰。

文中數據和腳本可至如下鏈接下載：

360雲盤 - 雲盤分享 訪問密碼 a88b

學習與分享，取長補短

歡迎關注博客：每天進步一點點2015

公眾號：每天進步一點點2015