落园 » 中文文本聚类小尝试（Text Clustering in R）|专注经济视角下的互联网
中文文本聚类小尝试（Text Clustering in R）
- 发布 于 October 31st, 2012
- 归类 在 事儿关经济
众所周知的，我会经常百无聊赖的玩一些比较好玩的东西。比如画画旅行地图啦，恶搞一下COS的版猪啦，抓抓新浪围脖啦。这不R大会又要开始了么，有一点点小数据也要玩玩啦。比如，呃，君不见周六上午三场演讲都是文本挖掘的，那我不研究一下文本挖掘怎么去混演讲听啊~自己动手先。
文本挖掘自然也有有个情景嘛。这不正好会议要排日程表嘛，那得把我们16个讲座分成四个半天，每天大约4场。这个应该怎么分呢？从直觉上来说，听众肯定是希望相关的话题放在相邻的时间，这样他们就可以选择自己感兴趣的时间段去听啦，不用在那里一坐两天。同时也便于之后的集中讨论嘛。于是这个目的就是：根据演讲的题目、摘要和关键字，进行聚类。这显然是一个无监督的学习嘛，我又没有一个特定的结果变量。
那么首先，自然是要对中文文本进行分词啦。这个嘛就可以偷个懒，直接用现成的R包rmmseg4j。（中间鼓捣若干编码问题，不赘述...）
然后就是聚类。这里继续偷懒，调用现成的文本处理包tm，可以直接生成文本词对应的矩阵。比如，一个编号为1的句子是 “我 在 中国”，编号为2的句子是“我 爱 中国” 那么生成的矩阵就是：
句子 我 在 中国 爱
1 1 1 1 0
2 1 0 1 1就是说，把每个词都作为一个变量，然后统计它在每个句子出现的次数作为变量值。这样一来，如果总共有10个句子，有不重复的100个词，那么就会给出一个10×100的矩阵了。
有了这个矩阵之后，我们就相当于知道了每个个体的观测特征，那么就可以聚类了。比较简单的，可以直接算余弦相似度（比如google识别相似新闻的做法）；也可以调用kmeans聚类。这里我们的摘要直接不会有特别多的相似，所以余弦相似度的区分度可能会不好。那么就先试试kmeans吧。
到这里，代码如下：
#读数据
library(xlsx)
presentations <- read.xlsx("r-presentations.xlsx", sheetName="Sheet1") #读excel数据
summary(presentations)
presentations$Title <- as.character(presentations$Title) #转文本
Encoding(presentations$Title) <- "UTF-8" #转换编码
presentations$Title
presentations$Abstract <- as.character(presentations$Abstract)
Encoding(presentations$Abstract) <- "UTF-8"
presentations$Abstract
presentations$KeyWords <- as.character(presentations$KeyWords)
Encoding(presentations$KeyWords) <- "UTF-8"
#分词
library("rmmseg4j")
presentations$raw_word <-with(presentations,paste0(KeyWords,Abstract, sep=";")) #连接所有标题、摘要、关键字
presentations$raw_word <- with(presentations, str_replace_all(raw_word, "R","")) #去掉r
presentations$seg <- mmseg4j(presentations$raw_word) #分词
#kmeans聚类
library("tm")
presebtation_seg <- Corpus(DataframeSource(presentations[,c("Title","seg")])) #转换到tm专用格式
presebtation_term <- TermDocumentMatrix(presebtation_seg, control = list(stopwords = TRUE)) #生成词频矩阵
presebtation_term <- t(as.matrix(presebtation_term)) #转换为matrix并转置
summary(presebtation_term)
presebtation_kmeans <- kmeans(presebtation_term, 7) #kmeans聚为7类
为什么我会在kmeans里面聚成7类呢？理论上只是要聚4类嘛。可是直接聚四类的话，区分度没那么好，一半多的演讲都聚到一类去了，没法安排嘛～所以只能增加聚类的个数，看看到时候再把小类合并。
聚成7类的结果如下：
Title cluster_result R语言在eBay搜索引擎反馈与测试中的应用 1 营销分析模型及其在广告界的应用 2 系统生物学和转换医学中的R语言 + R in Systems Biology and Translational Medicine 3 R/Bioconductor在生物多维组学数据整合中的应用 3 R Case Study from EBAY APD 4 网络用户浏览路径分析 4 啤酒与尿布的当代版--商品分析在电子商务中的应用 4 基于RHadoop的关联规则挖掘 5 模型预测的利器——随机森林 5 基于R的地理信息系统 （R-based GIS） 6 R语言和其他计算机语言的混合编程 6 ggplot和knitr包简介 6 R与面向对象统计分析 6 twitteR包入门和应用 6 短文本分类器与电商品类数据挖掘 7 R语言环境下的文本挖掘 7 比较理想的是，聚类之后识别出来了两个文本挖掘的演讲...还有一堆R包的演讲。但是还是没法安排演讲嘛。看到这里，大家有没有发现，这样做最大的问题就是，聚类的时候把一些没有实际意义的虚词也聚类进来了，比如“的”；还有一些几乎所有演讲都会涉及的词，比如“R”和“分析”。这些词在其中是没有意义的，也会影响我们算dissimilarity的结果——这到底是按内容聚类啊，还是按作者的行文风格聚类啊？此外，虽然我们规定演讲摘要大都在100-200字，但还是有长有短，到目前我还没有对文本的出现频率用语句长度来加权...这也是不科学的嘛。那些原来在Google搜搜里面排名作弊的，不就是同样的内容复制10几次，来提高关键词出现频数（而不是频率）嘛。
为了解决这些问题，首先就是要去掉没有意义的虚词。这个不算太麻烦，把一些常用的虚词和转折词连接词之类去掉就可以了。其次，要去掉每个演讲都有的词。这里虽然可以一个个去看，不过简单一点，我们先统计一下词频嘛：
#高频词统计
presentations$seg2 <- unique((strsplit(presentations$seg,split=" "))) #断词
all_key_words <- iconv(unlist(presentations$seg2), from="UTF-8", to="GBK") #转换到GBK编码
all_key_words_fre <- as.data.frame(table(all_key_words)) #统计词频
names(all_key_words_fre)
all_key_words_fre <- arrange(all_key_words_fre,desc(Freq)) #按词频排序
all_key_words_fre[1:20,]$all_key_words #100个高频词
然后看一下TOP 20高频词：
1 的 105
2 数据 27
3 分析 24
4 和 21
5 图 18
6 在 17
7 挖掘 15
8 用户 15
9 应用 14
10 分类 13
11 了 13
12 语言 13
13 介绍 11
14 是 11
15 文本 11
16 试验 10
17 平台 9
18 ebay 9
19 案例 8
20 模型 8所以看来，“挖掘”，“用户”，“文本”，“试验”，“平台”，“ebay”，“案例”，“模型”等等还是比较有区分度的词。按照这个思路，选择有限的几十个词重新分类，效果可能会有所改善。
此外，鉴于样本量不大（16个），所以可以人工的去看每个简介，手动标注tag作为聚类的变量。事实上，最后我还是这么做了一下，来在上述原始聚类结果上进行了一下重新的分组处理，形成了4大类。但是这个东西也不完全是可以直接用的，总要考虑时间之类的其他因素。最终的结果更多是人工思考的排序，估计李舰哥在确定顺序的时候更多的是按照经验和以往R会议的风俗。算法虽然好玩，但毕竟捕捉的还是人的思维模式，暂时没办法完美的取代吧。不过其实也差的不远呢。
最终人工结果：
冯兴东：R语言和其他计算机语言的混合编程
刘思喆：R语言环境下的文本挖掘
张翔：短文本分类器与电商品类数据挖掘
沈羽、周春英：R语言在eBay搜索引擎反馈与测试中的应用周扬：基于R的地理信息系统
肖凯：twitteR包入门和应用
陈钢：系统生物学和转换医学中的R语言
杭兴宜：R / Bioconductor在生物多维组学数据整合中的应用陈逸波：基于RHadoop的关联规则挖掘
李忠：R Case Study from EBAY APD
洪健飞：啤酒与尿布的当代版——商品分析在电子商务中的应用
廖明：营销分析模型及其在广告界的应用
肖嘉敏：网络用户浏览路径分析刘成昊：模型预测的利器——随机森林
王雨晨：R与面向对象统计分析
魏太云：R基础作图与可重复研究纯属好玩而已~不过R会议也举行了整整五届了，每次15个演讲的话也有15*9=135个演讲了。在这个样本量下，如果我们要出个论文集什么的，倒是可以直接用聚类的办法划分chapter了...嘻嘻。
