算法介紹

最近要做領(lǐng)域概念的提取，TFIDF作為一個(gè)很經(jīng)典的算法可以作為其中的一步處理。

關(guān)于TFIDF算法的介紹可以參考這篇博客【http://www】.ruanyifeng.com/blog/2013/03/tf-idf.html。（請(qǐng)自行把括號(hào)去掉）

計(jì)算公式比較簡(jiǎn)單，如下：

預(yù)處理

由于需要處理的候選詞大約后3w+，并且語料文檔數(shù)有1w+，直接挨個(gè)文本遍歷的話很耗時(shí)，每個(gè)詞處理時(shí)間都要一分鐘以上。

為了縮短時(shí)間，首先進(jìn)行分詞，一個(gè)詞輸出為一行方便統(tǒng)計(jì)，分詞工具選擇的是HanLp。

然后，將一個(gè)領(lǐng)域的文檔合并到一個(gè)文件中，并用“$$$”標(biāo)識(shí)符分割，方便記錄文檔數(shù)。

下面是選擇的領(lǐng)域語料（PATH目錄下）：

代碼實(shí)現(xiàn)

package edu.heu.lawsoutput;

import java.io.BufferedReader;

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileReader;

import java.io.FileWriter;

import java.util.HashMap;

import java.util.Map;

import java.util.Set;

?

/**

?* @ClassName: TfIdf

?* @Description: TODO

?* @author LJH

?* @date 2017年11月12日 下午3:55:15

?*/

?

public class TfIdf {

?

????static final String PATH = "E:\\corpus"; // 語料庫路徑

?

????public static void main(String[] args) throws Exception {

?

????????String test = "離退休人員"; // 要計(jì)算的候選詞

?

????????computeTFIDF(PATH, test);

?

????}

?

????/**

????* @param @param path 語料路經(jīng)

????* @param @param word 候選詞

????* @param @throws Exception

????* @return void

????*/

????static void computeTFIDF(String path, String word) throws Exception {

?

????????File fileDir = new File(path);

????????File[] files = fileDir.listFiles();

?

????????// 每個(gè)領(lǐng)域出現(xiàn)候選詞的文檔數(shù)

????????Map containsKeyMap = new HashMap<>();

????????// 每個(gè)領(lǐng)域的總文檔數(shù)

????????Map totalDocMap = new HashMap<>();

????????// TF = 候選詞出現(xiàn)次數(shù)/總詞數(shù)

????????Map tfMap = new HashMap<>();

?

????????// scan files

????????for (File f : files) {

?

????????????// 候選詞詞頻

????????????double termFrequency = 0;

????????????// 文本總詞數(shù)

????????????double totalTerm = 0;

????????????// 包含候選詞的文檔數(shù)

????????????int containsKeyDoc = 0;

????????????// 詞頻文檔計(jì)數(shù)

????????????int totalCount = 0;

????????????int fileCount = 0;

????????????// 標(biāo)記文件中是否出現(xiàn)候選詞

????????????boolean flag = false;

?

????????????FileReader fr = new FileReader(f);

????????????BufferedReader br = new BufferedReader(fr);

????????????String s = "";

?

????????????// 計(jì)算詞頻和總詞數(shù)

????????????while ((s = br.readLine()) != null) {

????????????????if (s.equals(word)) {

????????????????????termFrequency++;

????????????????????flag = true;

????????????????}

?

????????????????// 文件標(biāo)識(shí)符

????????????????if (s.equals("$$$")) {

????????????????????if (flag) {

????????????????????????containsKeyDoc++;

????????????????????}

????????????????????fileCount++;

????????????????????flag = false;

????????????????}

????????????????totalCount++;

????????????}

?

????????????// 減去文件標(biāo)識(shí)符的數(shù)量得到總詞數(shù)

????????????totalTerm += totalCount - fileCount;

????????????br.close();

????????????// key都為領(lǐng)域的名字

????????????containsKeyMap.put(f.getName(), containsKeyDoc);

????????????totalDocMap.put(f.getName(), fileCount);

????????????tfMap.put(f.getName(), (double) termFrequency / totalTerm);

?

????????????System.out.println("----------" + f.getName() + "----------");

????????????System.out.println("該領(lǐng)域文檔數(shù)：" + fileCount);

????????????System.out.println("候選詞出現(xiàn)詞數(shù)：" + termFrequency);

????????????System.out.println("總詞數(shù)：" + totalTerm);

????????????System.out.println("出現(xiàn)候選詞文檔總數(shù)：" + containsKeyDoc);

????????????System.out.println();

????????}

????????

????????//計(jì)算TF*IDF

????????for (File f : files) {

?

????????????// 其他領(lǐng)域包含候選詞文檔數(shù)

????????????int otherContainsKeyDoc = 0;

????????????// 其他領(lǐng)域文檔總數(shù)

????????????int otherTotalDoc = 0;

?

????????????double idf = 0;

????????????double tfidf = 0;

????????????System.out.println("~~~~~" + f.getName() + "~~~~~");

?

????????????Set> containsKeyset = containsKeyMap.entrySet();

????????????Set> totalDocset = totalDocMap.entrySet();

????????????Set> tfSet = tfMap.entrySet();

?

????????????// 計(jì)算其他領(lǐng)域包含候選詞文檔數(shù)

????????????for (Map.Entry entry : containsKeyset) {

????????????????if (!entry.getKey().equals(f.getName())) {

????????????????????otherContainsKeyDoc += entry.getValue();

????????????????}

????????????}

?

????????????// 計(jì)算其他領(lǐng)域文檔總數(shù)

????????????for (Map.Entry entry : totalDocset) {

????????????????if (!entry.getKey().equals(f.getName())) {

????????????????????otherTotalDoc += entry.getValue();

????????????????}

????????????}

?

????????????// 計(jì)算idf

????????????idf = log((float) otherTotalDoc / (otherContainsKeyDoc + 1), 2);

?

????????????// 計(jì)算tf*idf并輸出

????????????for (Map.Entry entry : tfSet) {

????????????????if (entry.getKey().equals(f.getName())) {

????????????????????tfidf = (double) entry.getValue() * idf;

????????????????????System.out.println("tfidf:" + tfidf);

????????????????}

????????????}

????????}

????}

?

????static float log(float value, float base) {

????????return (float) (Math.log(value) / Math.log(base));

????}

}

?

運(yùn)行結(jié)果

測(cè)試詞為“離退休人員”，中間結(jié)果如下：

最終結(jié)果：

結(jié)論

可以看到“離退休人員”在養(yǎng)老保險(xiǎn)和社保領(lǐng)域，tfidf值比較高，可以作為判斷是否為領(lǐng)域概念的一個(gè)依據(jù)。當(dāng)然TF-IDF算法雖然很經(jīng)典，但還是有許多不足，不能單獨(dú)依賴其結(jié)果做出判斷。很多論文提出了改進(jìn)方法，本文只是實(shí)現(xiàn)了最基本的算法。如果有其他思路和想法歡迎討論。

?

文章轉(zhuǎn)載自 ??沒課割綠地 的博客

?