Question

我想知道在大数据集中查找功能（特殊字）的最可接受的方法是什么。当我说特殊词时，我指的是在特定领域中最常用的词。

例如，我有两本书：

book1：一本关于经济学的书
book2：一本关于艺术的书

现在，我选择book1并希望看到哪些词与它最相关。我想“金融”，“美元”，“收入”等词语将占据最常用词汇列表的顶部。即使单词也可能出现在book2中，频率也会低于book1。

另一方面，选择book2应该产生诸如“抽象”，“文艺复兴”，“浪漫主义”，“文化”等词语。

当然结果取决于上下文（在上面的例子中，它取决于book1和book2）。

很明显，选择的算法必须能够消除停用词。

所以，我想知道这个问题使用了哪些方法。

Answer 1

看看Latent Dirichlet Allocation (LDA)。这是一种无监督算法，可以处理＆＃34;主题＆＃34;作为术语的分布，以及作为主题分布的文档。它的源代码以多种语言广泛提供（参见下面的一些示例库）。

要消除停用词，您只需在线或通过所选语言支持的软件包找到停用词列表即可。通常，此选项内置于文本挖掘或NLP包中。示例：

scikit-learn或NLTK用于Python
tm代表R

Answer 2

tf-idf应该有所帮助，因为它结合了

单词出现在文档中的次数（即每本书）
单词出现在文档集中的次数（a.k.a。语料库）

如果一个单词在文档中出现很多但在语料库中没有那么多，那么它很可能是文档的特征，并且具有很高的tf-idf分数。另一方面，如果一个单词经常出现在文档中并且经常出现在整个语料库中，则这种文档的特征并不是很明显，并且这不具有高的tf-idf分数。每个文档具有最高tf-idf度量的单词是最相关的。

在获取文档的tf-idf度量之前，停止删除单词可能是您希望对数据执行的步骤，但您可能希望尝试使用和不使用停用词来比较性能。

编辑：

支持我在评论中提到的内容。不必自己拿出一些关键词，这是NLTK的英语关键词，你可以根据你想要实现的内容添加或删除：

>>> import nltk
>>> from nltk.corpus import stopwords
>>> stopwords.words('english')
['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', 
'your', 'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 
'himself', 'she', 'her', 'hers', 'herself', 'it', 'its', 'itself', 
'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 
'who', 'whom', 'this', 'that', 'these', 'those', 'am', 'is', 'are', 
'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 
'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 
'or', 'because', 'as', 'until', 'while', 'of', 'at', 'by', 'for', 
'with', 'about', 'against', 'between', 'into', 'through', 'during', 
'before', 'after', 'above', 'below', 'to', 'from', 'up', 'down', 
'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 
'once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 
'both', 'each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 
'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 
't', 'can', 'will', 'just', 'don', 'should', 'now']

大数据集中的特征选择

2 个答案: