Python：聚类搜索引擎关键字

Question

Python：聚类搜索引擎关键字

嗨， 我有一个 CSV，最多 20,000 行（我有 100,000+ 用于不同的网站），每行包含一个引用关键字（即有人在搜索引擎中输入的关键字以查找相关网站），以及访问次数。

我想要做的是将这些关键字聚集成“相似含义”的集群，并创建集群的层次结构（按每个集群的总搜索次数排序）。

一个示例集群 - “女装” - 理想情况下包含以下关键字： 女装, 1000 女装，300 女装，50 女士服装, 6 女装，2

我可以使用 Python Natural Language Toolkit：http://www.nltk.org/ 和 WordNet 之类的工具，但是，我猜测对于某些网站，引用的关键字将是 WordNet 一无所知的单词/短语。例如，如果网站是名人网站，WordNet 不太可能知道有关“Lady Gaga”的任何信息，如果网站是新闻网站，情况会更糟。

所以，我也因此猜测解决方案必须是看起来只使用源数据本身的解决方案。

我的查询与How to cluster search engine keywords? 提出的查询非常相似，只是我正在寻找可以开始的地方，但使用的是 Python 而不是 Java。

我也想知道 Google Predict 和/或 Google Refine 是否有用。

无论如何，欢迎提出任何想法/建议，

谢谢， C

Answer 1

我非常喜欢 Woosh。它是一个纯 Python 搜索引擎，除其他外，还提供了这种功能。看看吧。

http://packages.python.org/Whoosh/index.html

您正在寻找的功能称为“多面搜索结果”

http://packages.python.org/Whoosh/facets.html

埃尔南

Answer 2

好吧，我自己也是个菜鸟。但我认为解决方法是 nltk 和 wordnet。（正如你已经说过的）

先去掉所有的数字和任何特殊字符（基本上是把关键字清理干净）

检查基本字符串匹配/子字符串匹配

Tag POS标签，（以default tagger为名词） 如果它不是名词，则使用 wordnet 获取其所有同义词同义词和异义词并匹配它们。 如果它是名词，则使用一些基本技术，如lowest common substring match 或 lavenshtein 距离、B/K 树等。

您可以根据您对误报/否定的需要嵌套级别

至于高级聚类，您可以使用 Python 机器学习模块（如 PyML、Reverend 等），并使用已经给定的数据进行训练..如 google's ngram data on LDC