机器学习---文本特征提取之词袋模型（Machine Learning Text Feature Extraction Bag of Words）

假设有一段文本："I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends." 那么怎么提取这段文本的特征呢？

一个简单的方法就是使用词袋模型（bag of words model）。选定文本内一定的词放入词袋，统计词袋内所有词在文本中出现的次数（忽略语法和单词出现的顺序），将其用向量的形式表示出来。

词频统计可以用scikit-learn的CountVectorizer实现：

text1="I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends." 

from sklearn.feature_extraction.text import CountVectorizer
CV=CountVectorizer()
words=CV.fit_transform([text1]) #这里注意要把文本字符串变为列表进行输入
print(words)

首先CountVectorizer将文本映射成字典，字典的键是文本内的词，值是词的索引，然后对字典进行学习，将其转换成词频矩阵并输出：

  (0, 3)        1
  (0, 4)        1
  (0, 0)        1
  (0, 11)       1
  (0, 2)        1
  (0, 10)       1
  (0, 7)        2
  (0, 8)        2
  (0, 9)        1
  (0, 6)        1
  (0, 1)        1
  (0, 5)        1

(0, 7)        2  代表第7个词"Huzihu"出现了2次。

注：CountVectorizer类会把文本全部转换成小写，然后将文本词块化（tokenize）。文本词块化是把句子分割成词块（token）或有意义的字母序列的过程。词块大多是单词，但它们也可能是一些短语，如标点符号和词缀。CountVectorizer类通过正则表达式用空格分割句子，然后抽取长度大于等于2的字母序列。（摘自：http://lib.csdn.net/article/machinelearning/42813）

我们一般提取文本特征是用于文档分类，那么就需要知道各个文档之间的相似程度。可以通过计算文档特征向量之间的欧氏距离（Euclidean distance）来进行比较。

让我们添加另外两段文本，看看这三段文本之间的相似程度如何。

文本二："My cousin has a cute dog. He likes sleeping and eating. He is friendly to others."

文本三："We all need to make plans for the future, otherwise we will regret when we're old."

text1="I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends."
text2="My cousin has a cute dog. He likes sleeping and eating. He is friendly to others."
text3= "We all need to make plans for the future, otherwise we will regret when we're old."

corpus=[text1,text2,text3] #把三个文档放入语料库

from sklearn.feature_extraction.text import CountVectorizer
CV=CountVectorizer()
words=CV.fit_transform(corpus)
words_frequency=words.todense()  #用todense()转化成矩阵
print(CV.get_feature_names())
print(words_frequency)

此时分别输出的是特征名称和由每个文本的词频向量组成的矩阵：

['all', 'and', 'are', 'cat', 'cousin', 'cute', 'dog', 'eating', 'for', 'friendly', 'friends', 'future', 'good', 'has', 'have', 'he', 'his', 'huzihu', 'is', 'likes', 'make', 'my', 'name', 'need', 'old', 'others', 'otherwise', 'plans', 're', 'really', 'regret', 'sleeping', 'the', 'to', 'we', 'when', 'will']
[[0 1 1 ..., 1 0 0]
 [0 1 0 ..., 0 0 0]
 [1 0 0 ..., 3 1 1]]

可以看到，矩阵第一列，其中前两个数都为0，最后一个数为1，代表"all"在前两个文本中都未出现过，而在第三个文本中出现了一次。

接下来，我们就可以用sklearn中的euclidean_distances来计算这三个文本特征向量之间的距离了。

from sklearn.metrics.pairwise import euclidean_distances
for i,j in ([0,1],[0,2],[1,2]):
    dist=euclidean_distances(words_frequency[i],words_frequency[j])
    print("文本{}和文本{}特征向量之间的欧氏距离是：{}".format(i+1,j+1,dist))

输出如下：

文本1和文本2特征向量之间的欧氏距离是：[[ 5.19615242]]
文本1和文本3特征向量之间的欧氏距离是：[[ 6.08276253]]
文本2和文本3特征向量之间的欧氏距离是：[[ 6.164414]]

可以看到，文本一和文本二之间最相似。

现在思考一下，应该选什么样的词放入词袋呢？有一些词并不能提供多少有用的信息，比如：the, be, you, he...这些词被称为停止词（stop words）。由于文本内包含的词的数量非常之多（词袋内的每一个词都是一个维度），因此我们需要尽量减少维度，去除这些噪音，以便更好地计算和拟合。

可以在创建CountVectorizer实例时添加stop_words="english"参数来去除这些停用词。

另外，也可以下载NLTK（Natural Language Toolkit）自然语言工具包，使用其里面的停用词。

下面，我们就用NLTK来试一试（使用之前，请大家先下载安装：pip install NLTK）：

text1="I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends."
text2="My cousin has a cute dog. He likes sleeping and eating. He is friendly to others."
text3= "We all need to make plans for the future, otherwise we will regret when we're old."

corpus=[text1,text2,text3]

from nltk.corpus import stopwords
noise=stopwords.words("english")

from sklearn.feature_extraction.text import CountVectorizer
CV=CountVectorizer(stop_words=noise)
words=CV.fit_transform(corpus)
words_frequency=words.todense()
print(CV.get_feature_names())
print(words_frequency)

输出：

['cat', 'cousin', 'cute', 'dog', 'eating', 'friendly', 'friends', 'future', 'good', 'huzihu', 'likes', 'make', 'name', 'need', 'old', 'others', 'otherwise', 'plans', 'really', 'regret', 'sleeping']
[[1 0 1 ..., 1 0 0]
 [0 1 1 ..., 0 0 1]
 [0 0 0 ..., 0 1 0]]

可以看到，此时词袋里的词减少了。通过查看words_frequncy.shape，我们发现特征向量的维度也由原来的37变为了21。

还有一个需要考虑的情况，比如说文本中出现的friendly和friends意思相近，可以看成是一个词。但是由于之前把这两个词分别算成是两个不同的特征，这就可能导致文本分类出现偏差。解决办法是对单词进行词干提取（stemming），再把词干放入词袋。

下面用NLTK中的SnowballStemmer来提取词干（注意：需要先用正则表达式把文本中的词提取出来，也就是进行词块化，再提取词干，因此在用CountVectorizer时可以把tokenizer参数设为自己写的function）：

text1="I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends."
text2="My cousin has a cute dog. He likes sleeping and eating. He is friendly to others."
text3= "We all need to make plans for the future, otherwise we will regret when we're old."

corpus=[text1,text2,text3]

from nltk import RegexpTokenizer
from nltk.stem.snowball import SnowballStemmer

def stemming(token):
    stemming=SnowballStemmer("english")
    stemmed=[stemming.stem(each) for each in token]
    return stemmed

def tokenize(text):
    tokenizer=RegexpTokenizer(r'\w+')  #设置正则表达式规则
    tokens=tokenizer.tokenize(text)
    stems=stemming(tokens)
    return stems

from nltk.corpus import stopwords
noise=stopwords.words("english")

from sklearn.feature_extraction.text import CountVectorizer
CV=CountVectorizer(stop_words=noise,tokenizer=tokenize,lowercase=False)

words=CV.fit_transform(corpus)
words_frequency=words.todense()
print(CV.get_feature_names())
print(words_frequency)

输出：

['cat', 'cousin', 'cute', 'dog', 'eat', 'friend', 'futur', 'good', 'huzihu', 'like', 'make', 'name', 'need', 'old', 'otherwis', 'plan', 'realli', 'regret', 'sleep']
[[1 0 1 ..., 1 0 0]
 [0 1 1 ..., 0 0 1]
 [0 0 0 ..., 0 1 0]]

可以看到，friendly和friends在提取词干后都变成了friend。而others提取词干后变为other，other属于停用词，被移除了，因此现在词袋特征向量维度变成了19。

此外，还需注意的是词形的变化。比如说单复数："foot"和"feet"，过去式和现在进行时："understood"和"understanding"，主动和被动："eat"和"eaten"，等等。这些词都应该被视为同一个特征。解决的办法是进行词形还原（lemmatization）。这里就不演示了，可以用NLTK中的WordNetLemmatizer来进行词形还原（from nltk.stem.wordnet import WordNetLemmatizer）。

词干提取和词形还原的区别可参见：https://www.neilx.com/blog/?p=1425。

最后，再想一下，长文本和短文本包含的信息是不对等的，一般来说，长文本包含的关键词要比短文本多，因此，我们需要对文本进行归一化处理，将每个单词出现的次数除以该文本中所有单词的个数，这被称之为词频（term frequency）（注：之前说的词频是指绝对频率，这里的词频是指相对频率）。其次，我们在对文档进行分类时，假如某个词在各文本中都有出现，那么这个词就无法给分类带来多少有用的信息。因此，对于出现频率高的词和频率低的词，我们应该区分对待，它们的重要性是不一样的。解决的办法就是用逆文档频率（inverse document frequency）来给词进行加权。IDF会根据单词在文本中出现的频率进行加权，出现频率高的词，加权系数就低，反之，出现频率低的词，加权系数就高。这两者相结合被称之为TF-IDF（term frequncy, inverse document frequency）。可以用sklearn的TfidfVectorizer来实现。

下面，我们把CountVectorizer换成TfidfVectorizer（包括之前使用过的提取词干和去除停用词），再来计算一下这三个文本之间的相似度：

text1="I have a cat, his name is Huzihu. Huzihu is really cute and friendly. We are good friends."
text2="My cousin has a cute dog. He likes sleeping and eating. He is friendly to others."
text3= "We all need to make plans for the future, otherwise we will regret when we're old."

corpus=[text1,text2,text3]

from nltk import RegexpTokenizer
from nltk.stem.snowball import SnowballStemmer

def stemming(token):
    stemming=SnowballStemmer("english")
    stemmed=[stemming.stem(each) for each in token]
    return stemmed

def tokenize(text):
    tokenizer=RegexpTokenizer(r'\w+')  #设置正则表达式规则
    tokens=tokenizer.tokenize(text)
    stems=stemming(tokens)
    return stems

from nltk.corpus import stopwords
noise=stopwords.words("english")

from sklearn.feature_extraction.text import TfidfVectorizer
CV=TfidfVectorizer(stop_words=noise,tokenizer=tokenize,lowercase=False)

words=CV.fit_transform(corpus)
words_frequency=words.todense()
print(CV.get_feature_names())
print(words_frequency)

from sklearn.metrics.pairwise import euclidean_distances
for i,j in ([0,1],[0,2],[1,2]):
    dist=euclidean_distances(words_frequency[i],words_frequency[j])
    print("文本{}和文本{}特征向量之间的欧氏距离是：{}".format(i+1,j+1,dist))

输出：

['cat', 'cousin', 'cute', 'dog', 'eat', 'friend', 'futur', 'good', 'huzihu', 'like', 'make', 'name', 'need', 'old', 'otherwis', 'plan', 'realli', 'regret', 'sleep']
[[ 0.30300252  0.          0.23044123 ...,  0.30300252  0.          0.        ]
 [ 0.          0.40301621  0.30650422 ...,  0.          0.          0.40301621]
 [ 0.          0.          0.         ...,  0.          0.37796447  0.        ]]
文本1和文本2特征向量之间的欧氏距离是：[[ 1.25547312]]
文本1和文本3特征向量之间的欧氏距离是：[[ 1.41421356]]
文本2和文本3特征向量之间的欧氏距离是：[[ 1.41421356]]

可以看到，现在特征值不再是单词出现的次数了，而是相对频率加权之后的值。虽然我们只用了很短的文本进行测试，但还是能看出来，经过一系列优化后，计算出的结果更准确了。

词袋模型的缺点： 1. 无法反映词之间的关联关系。例如："Humans like cats."和"Cats like humans"具有相同的特征向量。

2. 无法捕捉否定关系。例如："I will not eat noodles today."和"I will eat noodles today."尽管意思相反，但是从特征向量来看它们非常相似。

不过这些问题有一部分可以通过使用N-gram模型来解决（可以在用sklearn创建CountVectorizer实例时加上ngram_range参数）。