（文本表示及挖掘）Representing and Mining Text

主要内容：

1. Text data
2. Bag of words
3. N-gram sequence 
4. Text mining 案例

---

(一) text data

文本数据（Text data ）的特点

• Unstructured data （非结构化数据）
• Linguistic structure（语言结构）——NLP （自然语言处理）

文本数据的缺陷（Text data’s problem —dirty data ）：

1. 不按照语法规则书写，例如很多用户留言或评论（Ungrammatical)
2. 拼写错误（misspell）
3. 各种缩写简写（Abbreviate）
4. 随意使用标点符号（Punctuate randomly）
5. 各种同义词的使用（Synonyms ）
6. 同形异词（Homograph）
7. 同一词汇在不同领域的不同理解（Different domain）
8. 很多词汇的理解需要基于上下文（Context）

Dirty data 需要经过预处理（preprocess）才能作为下一步模型的输入（input）

A collection of documents is called 'corpus'

---

（二）bag of words

词汇频率表（term frequency）–记录文档中，每个词汇的出现次数

In mathematics a bag is a multiset, where members are allowed to appear more than once. （discarding word order）

Term frequency 有两点需要我们注意：

1. 太过稀有的词汇往往不加入考虑范畴。 对于聚类分析，低频的词汇往往没有太大作用，所以在预处理时，我们会设置一个最低频率限制。（当然，在有的应用场景下，这些低频词汇会显得十分重要，就和我们有时候需要关注outlier一样）
2. 过于平凡的词汇也不用太过关注。在聚类分析中，这种平凡词汇并不能提供区分点，所以我们常常会设置一个最高频率限制

Term frequency 描述了词汇在单个文档中的频繁程度，我们常常还要关心这个词汇在我们挖掘的文档集中的分布情况。于是我们便引入了逆文档频率（inverse document frequency）—IDF的概念，若某些词汇集中出现在少数几个文档中，那么这些词汇对这几个文档的重要性不言而喻。

IDF(t)=1+log(文档的总数包含t的文档数)

IDF 图像效果如下

看以看出，当某个词汇在文档集中出现较为稀缺时，IDF 值是显著的，并且随着数量增加显著性迅速下降，大多数stopword 的IDF 为 1

将 TF (term frequency )和IDF(inverse document frequency)和并到一起，得到TFIDF 值

TFIDF(t,d)=TF(t,d)⋅IDF(t)

依据TFIDF 我们便可以将文档转变为特征向量 ， 随后我们往往需要进行特征选择（可以使用频率的上下阈值，或者之前提到过的information gain），之后我们便能够将特征向量用于各种模型之中。

IDF 与 熵（Entropy ）的联系

定义 p(t)=包含t的文档数文档的总数 简记为p

于是有 IDF(t)=1+log(1p)

1 仅仅是一个常数，故忽略后得到 IDF(t)=log(1p)=−log(p)

IDF(nott)=log(11−p)=−log(1−p)

Entropy(t)=−p⋅log(p)−(1−p)⋅log(1−p)

=p⋅IDF(t)−(1−p)⋅[−IDF(nott)]

=pIDF(t)+(1−p)IDF(nott)

We can express entropy as the expected value of IDF(t) and IDF(not_t) based on the probability of its occurrence in the corpus.

可以看出第三图图与熵的图是一致的

---

（三）N-gram Sequence

看到N-gram Sequence 方法的时候突然想起了之前写过的一段代码

用R语言写的提取英语文章中较为常见的短语的小程序

（当初觉得别人整理的常见词组没有针对性，于是就写了这个，将各种文章导入，一份属于自己的常用短语表就出来了，【初学R语言时现学现用的小代码，太过简单，勿喷】）

[Words 是将文档split 后得到的 word list ]

n=2
two_word<-character(0)
for (i in 1:(length(words)-n+1))
{
two_word[i]<-paste(words[i],words[i+1])
}
s2w<-sort(table(two_word),d=T)
s2w<-s2w[s2w>2]

n=3
three_word<-character(0)
for (i in 1:(length(words)-n+1))
{
three_word[i]<-paste(words[i],words[i+1],words[i+2])
}
s3w<-sort(table(three_word),d=T)
s3w<-s3w[s3w>1]

N-gram sequence 的例子：

“The quick brown fox jumps.” it would be transformed into the set of its constitutent words {quick, brown, fox, jumps}, plus the tokens quick_brown, brown_fox, and fox_jumps.

N-gram Sequence 方法 ，简单的讲就是 将邻近的几个词作为一个整体加入变量集合

Topic models

在词汇与文档直接对应的模型中加入 topic 层，可以挖掘出更多的隐含信息(atent information)

【个人觉得 topic layer 有点 neural network 中 hiden layer 的意味】

General methods for creating topic models include matrix factorization methods, such as Latent Semantic Indexing and Probabilistic Topic Models, such as Latent Dirichlet Allocation. 

---

（四）Text mining 案例

Mining News Stories to Predict Stock Price Movement