sklearn TfidfVectorizer：通过不删除停用词来生成自定义 NGram

Question

以下是我的代码：

sklearn_tfidf = TfidfVectorizer(ngram_range= (3,3),stop_words=stopwordslist, norm='l2',min_df=0, use_idf=True, smooth_idf=False, sublinear_tf=True)
sklearn_representation = sklearn_tfidf.fit_transform(documents)

它通过删除所有停用词来生成三元组。

我希望它允许那些 TRIGRAM 中间有停用词（不在开头和结尾）

是否需要为此编写处理器。 需要建议。

Answer 1

是的，您需要提供自己的分析器功能，该功能将根据您的要求将文档转换为功能。

根据the documentation：

分析器：字符串、{'word'、'char'、'char_wb'} 或可调用

....
....
If a callable is passed it is used to extract the sequence of 
features out of the raw, unprocessed input.

在该自定义调用中，您需要首先将句子拆分为不同的部分，删除逗号、大括号、符号等特殊字符，将它们转换为小写，然后将它们转换为 n_grams。

默认实现按以下顺序处理单个句子：

1. 解码：根据给定编码的句子（默认'utf-8'）
2. 预处理：将句子转换为小写
3. 标记化：从句子中获取单个单词标记（默认正则表达式选择 2 个或更多字母数字字符的标记）
4. 停用词删除：从上述步骤中删除停用词中存在的单个单词标记
5. 创建N_gram：去除停用词后，将剩余的标记排列在所需的n_grams中
6. 删除太少见或太常见的特征：删除频率大于max_df或小于min_df的词。

如果您想将自定义可调用对象传递给 TfidfVectorizer 中的 analyzer 参数，则需要处理所有这些。

或

您可以扩展 TfidfVectorizer 类并仅覆盖最后两个步骤。像这样的：

from sklearn.feature_extraction.text import TfidfVectorizer
class NewTfidfVectorizer(TfidfVectorizer):
    def _word_ngrams(self, tokens, stop_words=None):

        # First get tokens without stop words
        tokens = super(TfidfVectorizer, self)._word_ngrams(tokens, None)
        if stop_words is not None:
            new_tokens=[]
            for token in tokens:
                split_words = token.split(' ')

                # Only check the first and last word for stop words
                if split_words[0] not in stop_words and split_words[-1] not in stop_words:
                    new_tokens.append(token)
            return new_tokens

        return tokens

然后，像这样使用它：

vectorizer = NewTfidfVectorizer(stop_words='english', ngram_range=(3,3))
vectorizer.fit(data)