在 Textacy 中计算单个单词的 TD-IDF

Question

我正在尝试使用Textacy 计算标准语料库中单个单词的 TF-IDF 分数，但我对收到的结果有点不清楚。

我期待一个浮点数，它代表语料库中单词的频率。那么为什么我会收到包含 7 个结果的列表 (?)？

“acculer”实际上是一个法语单词，所以期待英语语料库的结果为 0。

word = 'acculer'
vectorizer = textacy.Vectorizer(tf_type='linear', apply_idf=True, idf_type='smooth')
tf_idf = vectorizer.fit_transform(word)
logger.info("tf_idf:")
logger.info(tfidf)

输出

tf_idf:
(0, 0)  2.386294361119891
(1, 1)  1.9808292530117262
(2, 1)  1.9808292530117262
(3, 5)  2.386294361119891
(4, 3)  2.386294361119891
(5, 2)  2.386294361119891
(6, 4)  2.386294361119891

问题的第二部分是如何将我自己的语料库提供给 Textacy 中的 TF-IDF 函数，尤其是。用不同的语言？

编辑

正如@Vishal 所提到的，我已经使用这一行记录了输出：

logger.info(vectorizer.vocabulary_terms)

似乎提供的单词acculer 已拆分为字符。

{'a': 0, 'c': 1, 'u': 5, 'l': 3, 'e': 2, 'r': 4}

(1) 我怎样才能得到这个词对语料库的 TF-IDF，而不是每个字符？

(2) 如何提供自己的语料库并将其作为参数指向？

(3) TF-IDF 可以用在句子层面吗？即：这句话的术语相对于语料库的相对频率是多少。

Answer 1

您可以获得针对语料库的单词的 TF-IDF。

docs = ['this is me','this was not that you thought', 'lets test them'] ## create a list of documents
from sklearn.feature_extraction.text import TfidfVectorizer

vec = TfidfVectorizer()
vec.fit(docs) ##fit your documents

print(vec.vocabulary_) #print vocabulary, don't run for 2.5 million documents

输出：包含每个单词的 idf，并在输出中分配一个唯一索引

{u'me': 2, u'them': 6, u'that': 5, u'this': 7, u'is': 0, u'thought': 8, u'not': 3, u'lets': 1, u'test': 4, u'you': 10, u'was': 9}

print(vec.idf_) 

输出：打印每个词汇单词的 idf 值

[ 1.69314718  1.69314718  1.69314718  1.69314718  1.69314718  1.69314718 1.69314718  1.28768207  1.69314718  1.69314718  1.69314718]

现在根据你的问题，假设你想为某个词找到 tf-idf，那么你可以得到它：

word = 'thought' #example    
index = vec.vocabulary_[word] 
>8
print(vec.idf_[index]) #prints idf value
>1.6931471805599454

参考： 1.prepare-text

现在用 textacy 做同样的操作

import spacy
nlp = spacy.load('en') ## install it by python -m spacy download en (run as administrator)

doc_strings = [
    'this is me','this was not that you thought', 'lets test them'
]
docs = [nlp(string.lower()) for string in doc_strings]
corpus = textacy.Corpus(nlp,docs =docs)
vectorizer = textacy.Vectorizer(tf_type='linear', apply_idf=True, idf_type='smooth')
doc_term_matrix = vectorizer.fit_transform((doc.to_terms_list(ngrams=1, normalize='lower',as_strings=True,filter_stops=False) for doc in corpus))

print(vectorizer.terms_list)
print(doc_term_matrix.toarray())

输出

['is', 'lets', 'me', 'not', 'test', 'that', 'them', 'this', 'thought','was', 'you']


[[1.69314718 0.         1.69314718 0.         0.         0.
  0.         1.28768207 0.         0.         0.        ]
 [0.         0.         0.         1.69314718 0.         1.69314718
  0.         1.28768207 1.69314718 1.69314718 1.69314718]
 [0.         1.69314718 0.         0.         1.69314718 0.
  1.69314718 0.         0.         0.         0.        ]]

参考：link

Answer 2

基本原理

在研究实际问题之前，让我们先弄清楚定义。

假设我们的语料库包含 3 个文档（分别为 d1、d2 和 d3）：

corpus = ["this is a red apple", "this is a green apple", "this is a cat"]

词频 (tf)

tf (of a word) 定义为一个单词在文档中出现的次数。

tf(word, document) = count(word, document) # Number of times word appears in the document

tf 是为文档级别的单词定义的。

tf('a',d1)     = 1      tf('a',d2)     = 1      tf('a',d3)     = 1
tf('apple',d1) = 1      tf('apple',d2) = 1      tf('apple',d3) = 0
tf('cat',d1)   = 0      tf('cat',d2)   = 0      tf('cat',d3)   = 1
tf('green',d1) = 0      tf('green',d2) = 1      tf('green',d3) = 0
tf('is',d1)    = 1      tf('is',d2)    = 1      tf('is',d3)    = 1
tf('red',d1)   = 1      tf('red',d2)   = 0      tf('red',d3)   = 0
tf('this',d1)  = 1      tf('this',d2)  = 1      tf('this',d3)  = 1

使用原始计数存在一个问题，即较长文档中单词的tf 值与较短文档相比具有较高的值。这个问题可以通过除以文档长度（相应文档中的单词数）来归一化原始计数值来解决。这称为l1 标准化。文档d1 现在可以用tf vector 表示，并带有语料库词汇表中所有单词的所有tf 值。还有另一种规范化称为l2，它使文档的tf向量的l2规范等于1。

tf(word, document, normalize='l1') = count(word, document)/|document|
tf(word, document, normalize='l2') = count(word, document)/l2_norm(document)

|d1| = 5, |d2| = 5, |d3| = 4
l2_norm(d1) = 0.447, l2_norm(d2) = 0.447, l2_norm(d3) = 0.5, 

代码：tf

corpus = ["this is a red apple", "this is a green apple", "this is a cat"]
# Convert docs to textacy format
textacy_docs = [textacy.Doc(doc) for doc in corpus]

for norm in [None, 'l1', 'l2']:
    # tokenize the documents
    tokenized_docs = [
    doc.to_terms_list(ngrams=1, named_entities=True, as_strings=True, filter_stops=False, normalize='lower')
    for doc in textacy_docs]

    # Fit the tf matrix 
    vectorizer = textacy.Vectorizer(apply_idf=False, norm=norm)
    doc_term_matrix = vectorizer.fit_transform(tokenized_docs)

    print ("\nVocabulary: ", vectorizer.vocabulary_terms)
    print ("TF with {0} normalize".format(norm))
    print (doc_term_matrix.toarray())

输出：

Vocabulary:  {'this': 6, 'is': 4, 'a': 0, 'red': 5, 'apple': 1, 'green': 3, 'cat': 2}
TF with None normalize
[[1 1 0 0 1 1 1]
 [1 1 0 1 1 0 1]
 [1 0 1 0 1 0 1]]

Vocabulary:  {'this': 6, 'is': 4, 'a': 0, 'red': 5, 'apple': 1, 'green': 3, 'cat': 2}
TF with l1 normalize
[[0.2  0.2  0.   0.   0.2  0.2  0.2 ]
 [0.2  0.2  0.   0.2  0.2  0.   0.2 ]
 [0.25 0.   0.25 0.   0.25 0.   0.25]]

Vocabulary:  {'this': 6, 'is': 4, 'a': 0, 'red': 5, 'apple': 1, 'green': 3, 'cat': 2}
TF with l2 normalize
[[0.4472136 0.4472136 0.        0.        0.4472136 0.4472136 0.4472136]
 [0.4472136 0.4472136 0.        0.4472136 0.4472136 0.        0.4472136]
 [0.5       0.        0.5       0.        0.5       0.        0.5      ]]

tf 矩阵中的行对应于文档（因此我们的语料库有 3 行），列对应于词汇表中的每个单词（词汇表中显示的单词的索引）

逆文档频率 (idf)

有些词比其他词传达的信息少。例如，像 the, a, an, this 这样的词是非常常见的词，它们传达的信息非常少。 idf 是衡量单词重要性的指标。我们认为与出现在少数文档中的单词相比，出现在许多文档中的单词信息量较少。

idf(word, corpus) = log(|corpus| / No:of documents containing word) + 1  # standard idf

对于我们的语料库直观idf(apple, corpus) < idf(cat,corpus)

idf('apple', corpus) = log(3/2) + 1 = 1.405 
idf('cat', corpus) = log(3/1) + 1 = 2.098
idf('this', corpus) = log(3/3) + 1 = 1.0

代码：idf

textacy_docs = [textacy.Doc(doc) for doc in corpus]    
tokenized_docs = [
    doc.to_terms_list(ngrams=1, named_entities=True, as_strings=True, filter_stops=False, normalize='lower')
    for doc in textacy_docs]

vectorizer = textacy.Vectorizer(apply_idf=False, norm=None)
doc_term_matrix = vectorizer.fit_transform(tokenized_docs)

print ("\nVocabulary: ", vectorizer.vocabulary_terms)
print ("standard idf: ")
print (textacy.vsm.matrix_utils.get_inverse_doc_freqs(doc_term_matrix, type_='standard'))

输出：

Vocabulary:  {'this': 6, 'is': 4, 'a': 0, 'red': 5, 'apple': 1, 'green': 3, 'cat': 2}
standard idf: 
[1.     1.405       2.098       2.098       1.      2.098       1.]

词频-逆文档频率（tf-idf）：tf-idf 是衡量一个词在语料库中的文档中的重要性的指标。以 ids 加权的词的 tf 为我们提供了词的 tf-idf 度量。

tf-idf(word, document, corpus) = tf(word, docuemnt) * idf(word, corpus)

tf-idf('apple', 'd1', corpus) = tf('apple', 'd1') * idf('apple', corpus) = 1 * 1.405 = 1.405
tf-idf('cat', 'd3', corpus) = tf('cat', 'd3') * idf('cat', corpus) = 1 * 2.098 = 2.098

代码：tf-idf

textacy_docs = [textacy.Doc(doc) for doc in corpus]

tokenized_docs = [
    doc.to_terms_list(ngrams=1, named_entities=True, as_strings=True, filter_stops=False, normalize='lower')
    for doc in textacy_docs]

print ("\nVocabulary: ", vectorizer.vocabulary_terms)
print ("tf-idf: ")

vectorizer = textacy.Vectorizer(apply_idf=True, norm=None, idf_type='standard')
doc_term_matrix = vectorizer.fit_transform(tokenized_docs)
print (doc_term_matrix.toarray())

输出：

Vocabulary:  {'this': 6, 'is': 4, 'a': 0, 'red': 5, 'apple': 1, 'green': 3, 'cat': 2}
tf-idf: 
[[1.         1.405   0.         0.         1.         2.098   1.        ]
 [1.         1.405   0.         2.098      1.         0.      1.        ]
 [1.         0.      2.098      0.         1.         0.      1.        ]]

现在来回答问题：

(1) 我怎样才能得到这个词对语料库的 TF-IDF，而不是 比每个字符？

如上所示，没有独立定义的tf-idf，一个词的tf-idf 是相对于语料库中的文档而言的。

(2) 如何提供自己的语料库并将其作为参数指向？

如上例所示。

1. 使用 textacy.Doc api 将文本文档转换为 textacy Docs
2. Tokenzie textacy.Doc 的使用 to_terms_list 方法。 （使用此方法，您可以在词汇表中添加一元、二元或三元，过滤停用词m 规范化文本等）
3. 使用 textacy.Vectorizer 从标记化文档创建术语矩阵。返回的术语矩阵是
   • tf (raw counts): apply_idf=False, norm=None
   • tf (l1 normalized): apply_idf=False, norm='l1'
   • tf (l2 normalized): apply_idf=False, norm='l2'
   • tf-idf (standard): apply_idf=True, idf_type='standard'

(3) TF-IDF 可以用在句子层面吗？即：什么是相对 这句话的词项相对于语料库的频率。

是的，当且仅当您将每个句子视为单独的文档时，您可以。在这种情况下，相应文档的tf-idf 向量（整行）可以被视为文档的向量表示（在您的情况下是一个句子）。

对于我们的语料库（实际上每个文档包含一个句子），与向量 d1 和 d3 相比，d1 和 d2 的向量表示应该接近。让我们检查余弦相似度并查看：

cosine_similarity(doc_term_matrix)

输出

array([[1.        ,     0.53044716,     0.35999211],
       [0.53044716,     1.        ,     0.35999211],
       [0.35999211,     0.35999211,     1.        ]])

你可以看到 cosine_similarity(d1,d2) = 0.53 和 cosine_similarity(d1,d3) = 0.35，所以确实 d1 和 d2 比 d1 和 d3 更相似（1 完全相似，0 不相似 - 正交向量)。

一旦你训练了你的Vectorizer，你就可以将训练过的对象腌制到磁盘上供以后使用。

结论

一个词的tf在文档级别，一个词的idf在语料库级别，而一个词的tf-idf在关于语料库的文档中。它们非常适合文档（或当文档由单个句子组成时的句子）的矢量表示。如果您对单词的向量表示感兴趣，请探索诸​​如（word2vec、fasttext、glove 等）的词嵌入。