Nie wiem, jak można wyodrębnić słowa kluczowe z uczeniem nadzorowanym, ale wiem, jak to zrobić, ucząc się bez nadzoru.
Można to zrobić na kilka sposobów, więc oto one:
Hierarchiczny
Możesz zastosować dowolną hierarchiczną metodę klastrowania bezpośrednio do macierzy podobieństwa (z dowolną funkcją podobieństwa, nie tylko cosinus)
W scikit-learn możesz zrobić coś takiego:
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.cluster import AgglomerativeClustering
vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(data)
C = 1 - cosine_similarity(X.T)
ward = AgglomerativeClustering(n_clusters=k, linkage='ward').fit(C)
label = ward.labels_
Źródło: [1]
Ale ponieważ jest to skupienie aglomeracyjne, jest ono drogie obliczeniowo i jego obliczenie zajmie trochę czasu.
K-oznacza
Inną możliwością jest wykonanie zwykłych średnich k w wierszach matrycy termin-dokument, a następnie znalezienie najczęstszych terminów dla każdego środka ciężkości
Na przykład w scikit dowiedz się, jak to zrobić:
from sklearn.cluster import KMeans
km = KMeans(n_clusters=k, init='k-means++', max_iter=100, n_init=1)
km.fit(X)
order_centroids = km.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
for i in range(k):
print("Cluster %d:" % i, end='')
for ind in order_centroids[i, :10]:
print(' %s' % terms[ind], end='')
Źródło: [2]
Ale k-średnie opiera się na odległości euklidesowej, co jest niekorzystne dla rzadkich danych wielowymiarowych. Istnieją inne techniki, które działają lepiej dla tekstów i wykorzystują podobieństwo cosinus
Cosine K-Means and Scatter / Gather
Możliwe jest użycie cosinusa ze średnimi K (patrz np. [3] ): oblicz centroidy jako średnią dla wszystkich dokumentów w każdym klastrze, a następnie użyj cosinusa, aby obliczyć odległość do najbliższego centroidu.
Na koniec możesz wyodrębnić słowa kluczowe w taki sam sposób, jak w przypadku zwykłych k-średnich.
Obliczanie średniego centroidu jako średniej dla wszystkich dokumentów w klastrze nie zawsze jest dobre. Inne podejście jest sugerowane w algorytmie Scatter / Gather [4] : środek ciężkości klastra stanowi połączenie wszystkich dokumentów w tym klastrze.
Aby zastosować to podejście, wystarczy wziąć najczęstsze terminy dla każdego klastra centroidów.
Nie ma implementacji tych algorytmów w scikit learn, ale możesz je łatwo zaimplementować samodzielnie KMeans.
Zauważ, że w obu przypadkach centroidy stają się dość gęste: gęstsze niż reszta dokumentów w poszczególnych klastrach, więc możesz chcieć obciąć terminy w centroidach, tj. Usunąć te „nieważne”. (patrz [8]).
Grupowanie widmowe
Innym sposobem byłoby zastosowanie grupowania widmowego. Będziesz musiał dostarczyć macierz podobieństwa, którą już masz, i znajdzie na niej klastry.
Jest zaimplementowany w SpectralClusteringklasie, patrz przykłady w [5] . Pamiętaj, że ponieważ masz już wstępnie obliczoną macierz, musisz użyć affinity='precumputed'atrybutu podczas inicjowania.
Grupowanie spektralne jest powiązane z KMeansami jądra: istnieje papier (patrz [7]), który pokazuje, że są one tym samym. Ostatnio natknąłem się na implementację KMeansów jądra, które mogą być przydatne: https://gist.github.com/mblondel/6230787
Faktoryzacja macierzy nieujemnej
Na koniec możesz grupować matrycę dokumentów termicznych za pomocą niektórych technik dekompozycji z Algebry Liniowej, takich jak SVD (byłaby to tak zwana „Latentna analiza semantyczna”) lub faktoryzacja macierzy nieujemnej. Ten ostatni może być postrzegany jako grupowanie i może grupować zarówno wiersze, jak i kolumny macierzy w tym samym czasie.
Na przykład możesz wyodrębnić słowa kluczowe, wykonując
from sklearn.decomposition import NMF
nmf = NMF(n_components=k, random_state=1).fit(X)
feature_names = vectorizer.get_feature_names()
for topic_idx, topic in enumerate(nmf.components_):
print("Topic #%d:" % topic_idx)
print(" ".join([feature_names[i]
for i in topic.argsort()[:-10-1:-1]]))
print()
Źródło kodu: [6]
Chociaż tutaj przykłady znajdują się w Python scikit-learn, myślę, że nie powinno być dużym problemem znalezienie niektórych przykładów dla R
Źródła