我已經爬取到了指定博主的新浪微博,然後我想從微博中提取出可以代表該博主興趣特徵的100個關鍵詞,然後由這100個關鍵詞提取出10個標籤,代表博主的興趣。我們此處使用基於Textrank權值的關鍵詞提取方法。
輸入:微博文本集合,如下圖(每一行一條微博)
程序原理如下:(請勿抄襲和轉載)
程序如下:
# -*- coding: utf-8 -*-
__author__ = 'Bai Chenjia'
import jieba.posseg as pseg
import sys
import time
import networkx as nx
import numpy as np
reload(sys)
sys.setdefaultencoding("utf-8")
"""
1.將要處理的微博內容按每條微博進行分詞,去除停用詞,保留名詞,形成一個二級列表返回
如:原始微博爲:['這間酒店位於北京東三環,裏面擺放很多雕塑,文藝氣息十足', '答謝宴於晚上8點開始']
經過處理後爲:[[ '酒店', '位於, '北京, '東三環, '擺放, '雕塑, '文藝, '氣息' ],[ '答謝', '宴於, '晚上' ]]
"""
def handel_weibo_data():
#讀取要處理的微博正文提取名詞,去除停用詞
fp = open("f://emotion/mysite/weibo_crawler/chinese_weibo.txt", 'r')
weibo_data = [] # 所有的微博,爲一個二級列表[[句子][句子][句子]]其中句子已經被分詞去停用詞並保留名詞
for line in fp.readlines(): # 按行處理
contents = []
line = line.strip()
line.decode('utf-8')
seg_lines = pseg.cut(line) # 分詞標註
for seg_line in seg_lines: # 判斷如果是名詞則保留
if seg_line.flag == 'n' or seg_line.flag == 'nr' or seg_line.flag == 'ns' or seg_line.flag == 'nt' or seg_line.flag == 'nz':
contents.append(seg_line.word) # 保留名詞
weibo_data.append(contents)
fp.close()
return weibo_data
"""
2.構建矩陣。
方法:用戶微博文本構建以候選關鍵詞(即選取的名詞)爲節點的無向圖
滑動窗口定爲一條微博的長度,即倘若兩個詞在同一條微博中出現,就認爲它們之間存在較強的語義聯繫,共現次數加1
對每一條微博進行同樣的詞對共現次數提取,圖節點間邊的權重記爲它們在該用戶微博文本中的共現次數
最後用pagerank算法計算每個單詞的權重,提取權重排名前100的構成該用戶微博的關鍵詞,寫入文件
"""
def build_matrix():
######第一步構建 詞 和 序號的字典
word_index = {} # 詞爲鍵,序號爲值
index_word = {} # 序號爲鍵,詞爲值
weibo_data = handel_weibo_data() # 對原始微博數據進行處理,
index = 0
for sent in weibo_data: # 對於每句話
for word in sent: # 對每句話中的每個詞
if not word in word_index.keys():
word_index[word] = index
index_word[index] = word
index += 1
words_number = index
#print "words_number", words_number
#######第二步構建矩陣
graph = np.zeros((words_number, words_number)) # 構建全零矩陣
for word_list in weibo_data: # 每句話
for i in range(len(word_list)): # 對每句話中的詞進行兩兩配對,將在一條微博中出現的詞對填充到圖中
for j in range(i, len(word_list)):
w1 = word_list[i]
w2 = word_list[j] # 兩個詞出現在一條微博中
index1 = word_index[w1]
index2 = word_index[w2]
graph[index1][index2] += 1 # 圖中對應的邊權值加1
graph[index2][index1] += 1 # 無向圖,爲對稱矩陣
######第三步,用networkx中的pagerank算法處理無向圖,得到排序後的關鍵詞
nx_graph = nx.from_numpy_matrix(graph) # 導入networdx
scores = nx.pagerank(nx_graph, alpha=0.85) # 調用pagerank算法
sorted_scores = sorted(scores.items(), key=lambda item: item[1], reverse=True) # 得分按照正序排序
key_words = [] # 保存(詞,權值)元組
for index, score in sorted_scores:
if index_word[index] == u'網頁' or index_word[index] == u'鏈接' or len(index_word[index]) == 1:
continue
key_words.append((index_word[index], score))
########第四步,將排名前100的關鍵詞寫入文件
fp_textrank_result = open('f://emotion/mysite/Label_extract/result_textrank.txt', 'w+')
for i in range(100):
fp_textrank_result.write(key_words[i][0] + ' ' + str(round(key_words[i][1], 10)))
fp_textrank_result.write('\n')
fp_textrank_result.close()
"""
fp_test = open('f://emotion/mysite/Label_extract/test.txt', 'w+')
for i in range(100):
fp_test.write(key_words[i][0] + '、')
fp_test.close()
"""
print "textrank key word calculate is success..."
return key_words
"""
3.後處理,提取出標籤
方法:查看權值前100的關鍵詞中是否有相鄰的組合存在,僅抽取出在原文中出現次數超過 2 次的組合計算權重
擴展後的詞串權重,爲組成它的詞語的權重之和。按照權重排序後,抽取前 10 作爲自動生成的用戶標籤
"""
def post_handel_textrank():
# 讀取排名前100的詞和權值
fp_result = open('f://emotion/mysite/Label_extract/result_textrank.txt', 'r')
results = {} # 字典存儲詞和權值共100個
words = [] # 存儲100個詞
for result in fp_result.readlines():
result = result.strip()
word, score = result.split(' ') # 按空格分割,分別爲詞和權值
results[word] = float(score) # str轉爲float
words.append(word)
fp_result.close()
#讀取原始微博連成字符串
fp_weibo = open('f://emotion/mysite/weibo_crawler/chinese_weibo.txt', 'r')
weibo_list = []
for content in fp_weibo.readlines():
content = content.strip()
weibo_list.append(content)
fp_weibo.close()
#將排名前100的詞組成詞對,查找在原始微博中出現的次數,並記錄
labels = []
for i in range(100):
for j in range(i, 100):
str1 = words[i] + words[j]
str2 = words[j] + words[i] # 連成詞對的兩種不同形式
if words[i] == "網頁" or words[j] == '鏈接' or words[i] == '鏈接' or words[j] == '網頁':
continue
if words[i] == words[j]: # 剔除噪音和相等的情況
continue
str1_count = 0 # str1出現的次數
str2_count = 0 # str2出現的次數
for sent in weibo_list:
str1_count += sent.count(str1)
str2_count += sent.count(str2)
if str1_count > 1: # 如果出現次數大於兩次,則表示該標籤比較穩定,可以加入考慮
#print str1
labels.append((str1, results[words[i]] + results[words[j]])) # 添加元組(詞組,權值)
if str2_count > 1:
#print str2
labels.append((str2, results[words[i]] + results[words[j]])) # 添加元組(詞組,權值)
sorted_labels = sorted(labels, key=lambda w: w[1], reverse=True) # 按照詞組的權值排序
set_sorted_labels = list(set(sorted_labels))
set_sorted_labels.sort(key=sorted_labels.index) # 去重
# 取得testrank值排序前10的標籤組成result_labels作爲返回值返回
textrank_result_labels = []
if len(set_sorted_labels) > 10:
i = 0
for word1, score1 in set_sorted_labels:
if i > 10:
break
i += 1
if word1 == '人民警':
word1 = '人民警察'
if word1 == '人溫情':
word1 = '人間溫情'
if word1 == '女大學':
word1 = '女大學生'
if word1 == '星沉船':
word1 = '東方之星沉船'
if word1 == '事件沉船':
word1 = '沉船事件'
if word1 == '中國工':
word1 = '中國工人'
if word1 == '北京時':
word1 = '北京時間'
textrank_result_labels.append((word1, score1))
else:
textrank_result_labels = set_sorted_labels[:]
print "textrank label extract is success..."
for label in textrank_result_labels:
print label[0], label[1]
return textrank_result_labels
if __name__ == '__main__':
start = time.clock()
#weibo_data = handel_weibo_data()
key_words = build_matrix()
textrank_result_labels = post_handel_textrank()
print "running time:" + str(time.clock()-start) + " s"