聚类文本文档并获取重复的顶级术语

Question

我发现this post 中的代码非常有用。 （我会对该帖子添加评论，但我需要 50 点声望。）

我在上面的帖子中使用了相同的代码，但添加了一个我一直用来调试我自己的集群代码的测试文档。由于某种原因，一个文档中的一个词出现在两个集群中。

代码是：

更新：我在下面的文档中添加了“独特的句子”。

documents = ["I ran yesterday.", 
                "The sun was hot.", 
                "I ran yesterday in the hot and humid sun.", 
                "Yesterday the sun was hot.",
                "Yesterday I ran in the hot sun.",
                "Unique sentence." ]

vectorizer = TfidfVectorizer(stop_words='english')
X = vectorizer.fit_transform(documents)

#cluster documents    
true_k = 2
model = KMeans(n_clusters=true_k, init='k-means++', max_iter=100, n_init=1)
model.fit(X)

#print top terms per cluster clusters    
print("Top terms per cluster:")
order_centroids = model.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
for i in range(true_k):
    print ("Cluster %d:" % i,)
    for ind in order_centroids[i, :10]:
        print(' %s' % terms[ind])
    print

我收到的输出是：

更新：我更新了下面的输出以反映上面的“独特句子”。

集群 0： 太阳 热的 昨天 跑了 湿 独特 句子 集群 1： 独特 句子 昨天 太阳 跑了 湿 热的

您会注意到，“潮湿”在两个集群中都作为最重要的术语出现，即使它仅出现在上述文档的 1 行中。我希望一个独特的词，例如在这种情况下的“潮湿”，将成为其中一个集群中的最高词。

谢谢！

Answer 1

不一定。您正在使用的代码创建语料库的词袋（不包括停用词）的向量空间（我忽略了 tf-idf 权重。）。查看您的文档，您的向量空间大小为 5，带有一个单词数组（忽略顺序）：

word_vec_space = [yesterday, ran, sun, hot, humid]

每个文档都分配有一个数字向量，用于判断它是否包含“word_vec_space”中的单词。

"I ran yesterday." -> [1,1,0,0,0]
"The sun was hot." -> [0,0,1,1,0]
...

在执行 k-mean 聚类时，您在向量空间中选择 k 个起点并让这些点四处移动以优化聚类。您最终得到的两个簇质心都包含'humid' 的非零值。这是因为包含'humid'的一个句子也有'sun'、'hot'和'yesterday'。

Answer 2

TF*IDF 告诉您单词（在本例中为列）对于特定文档（在本例中为行）的代表性。代表我的意思是：一个词在一个文档中经常出现，但在其他文档中不经常出现。 TF*IDF 值越高，这个词就越能代表一个特定的文档。

现在让我们开始了解您实际使用的价值观。在 sklearn 的 kmeans 中，您使用返回变量 cluster_centers。这为您提供了每个词的每个集群的坐标，这是一个 TF*IDF 权重数组。需要注意的是，这些只是词频的某种抽象形式，不再与特定文档相关联。接下来，numpy.argsort() 为您提供对数组进行排序的索引，从最低 TF*IDF 值的索引开始。所以在那之后你用 [:, ::-1] 颠倒它的顺序。现在你有了最开始的那个聚类中心最有代表性的词的索引。

现在，让我们多谈谈 k-means。 k-means 随机初始化它的 k-cluster 中心。然后将每个文档分配给一个中心，然后重新计算聚类中心。重复此过程，直到满足最小化文档与其最近中心之间的平方距离之和的优化标准。这对您意味着，由于随机初始化，每个集群维度很可能没有 TF*IDF 值 0。此外，一旦满足优化标准，k-means 就会停止。因此，一个中心的 TF*IDF 值仅仅意味着分配给其他集群的文档的 TF*IDF 比其他集群中心更靠近这个中心。

另外一点是，使用 order_centroids[i, :10]，每个集群中最有代表性的 10 个单词都会被打印出来，但是由于你总共只有 5 个单词，所有单词都会被打印出来无论哪种方式，只是顺序不同。

我希望这会有所帮助。顺便说一句，k-means 不能保证您找到全局最优值，并且可能会陷入局部最优值，这就是为什么它通常以不同的随机起点运行多次。

Answer 3

为什么集群会有不同的顶级术语？

考虑到集群工作（通常它不会 - 当心），您认为这些集群是坏的还是好的：

• 香蕉果实
• 苹果果实
• 苹果电脑
• Windows 电脑
• 百叶窗

如果我能得到这样的集群，我会很高兴（事实上，我相信我看到了一个错误，因为这些结果太棒了。文本集群总是处于不工作的边缘）。

对于文本集群，主要是单词组合，而不仅仅是单个单词。苹果水果和苹果电脑不一样。