搭配词抽取

参考: 《Foundations of Statistical Natural Language Processing》第5章

实现了两种方法:互信息和卡方测试,直观上看卡方测试要好很多

#! /usr/bin/env python
#encoding: utf-8
#
# Extract collacation
#
#

import sys
import os
import math
from collections import defaultdict

g_word_map = {}
g_word_list = []

g_core_set = set()
g_exclusion_set = set()

def load_words(infile):
    word_set = set()
    if os.path.isfile(infile):
        with open(infile) as f:
            for line in f:
                word = line.strip().split('\t')[0]
                word_set.add(word)
    return word_set

def get_word_index(word):
    index = -1
    if word not in g_word_map:
        g_word_list.append(word)
        index = len(g_word_list) - 1
        g_word_map[word] = index
    else:
        index = g_word_map[word]
    return index

def calc_mi(word_freq, bigram_freq, doc_num, least_score, least_heat):
    '''
    calculate mutual information of two words
    '''
    for k, freq in bigram_freq.iteritems():
        if freq < least_heat:
            continue
        (i,j) = k
        n1 = word_freq[i]
        n2 = word_freq[j]
        mi = math.log(float(freq*doc_num)/n1/n2, 2)
        if mi < least_score:
            continue
        w1 = g_word_list[i]
        w2 = g_word_list[j]
        print "%s %s\t%.5f\t%d\t%d\t%d" % (w1, w2, mi, freq, n1, n2)

def calc_chi_square(word_freq, bigram_freq, doc_num, least_score, least_heat):
    '''
    calculate chi square score of two words
    '''
    for k, freq in bigram_freq.iteritems():
        if freq < least_heat:
            continue
        (i,j) = k
        w1 = g_word_list[i]
        w2 = g_word_list[j]
        n1 = word_freq[i]
        n2 = word_freq[j]
        e11 = freq
        e12 = n1 - freq
        e21 = n2 - freq
        e22 = doc_num - n1 -n2 + freq
        #print n1,n2,e11,e12,e21,e22
        valid = 0
        if e11 > 5 and e12 > 5 and e21 > 5 and e22 > 5:
            valid = 1
        denominator = n1 * n2 * (e22+e21)*(e22+e12) # when 28 24 0 0, denominator = 0
        chi = 1000
        if denominator > 0:
            chi = doc_num*(e11*e22-e12*e21)**2 / float(denominator)
        if chi < least_score:
            continue
        print "%s %s\t%.5f\t%d\t%d\t%d\t%d" % (w1, w2, chi, freq, n1, n2, valid)

def process_file(infile, seg_field, stop_file, method_type):
    '''
    extract collocation
    '''
    stop_set = load_words(stop_file)
    bad_pos = set(["c", "t", "r", "ad", "d", "f", "w", "o", "y", "p", "u", "q", "m"])

    doc_num = 0
    word_freq = defaultdict(int)
    bigram_freq = defaultdict(int)

    for line in file(infile):
        doc_num += 1
        s = line.rstrip('\n').split('\t')
        if len(s) <= seg_field:
            continue
        word_str = s[seg_field].lower()
        words = word_str.split("||") #format: hello@nx||world@nx
        word_set = set()
        for x in words:
            i = x.rfind('@')
            if i == -1:
                continue
            word = x[:i]
            pos = x[i+1:]
            #filter word
            if len(word) < 4 and pos != "a":
                if word not in g_core_set:
                    continue
            if pos in bad_pos:
                continue
            if word.find("{") != -1:
                continue
            if pos == "nx":
                if not word.isalpha(): #word.isalnum()
                    continue
            if word in stop_set:
                continue
            index = get_word_index(word)
            if index in word_set: #uniq
                continue
            word_freq[index] += 1
            word_set.add(index)

        # get bigram
        n = len(word_set)
        if n < 2:
            continue
        word_list = sorted(word_set) #note this! python set is a hashtable
        hit = 0
        hit2 = 0
        for i in range(n-1):
            for j in range(i+1, n):
                key = (word_list[i], word_list[j])
                # filter bad collocation
                w1 = g_word_list[key[0]]
                w2 = g_word_list[key[1]]
                if w1 in g_exclusion_set and w2 in g_exclusion_set:
                    continue
                bigram_freq[key] += 1

    #for k,v in word_freq.items():
    #    print "%s\t%d" % (g_word_list[k], v)
    #return

    if method_type == 'chi_square':
        least_score = 3.841
        least_heat = 5
        calc_chi_square(word_freq, bigram_freq, doc_num, least_score, least_heat)
    else:
        least_score = 1
        least_heat = 5
        calc_mi(word_freq, bigram_freq, doc_num, least_score, least_heat)

if __name__ == "__main__":
    if len(sys.argv) != 4:
        print "usage: %s <infile> <seg_field> <stop_file>"
        sys.exit(-1)

    g_core_set = load_words("hero.1") #can replace by the other file
    g_exclusion_set = load_words("hero.1")

    method_type = 'chi_square' # otherwise use mutual information
    process_file(sys.argv[1], int(sys.argv[2]), sys.argv[3], method_type)
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容