最近在了解到，在机器学习中，自然语言处理是较大的一个分支。存在许多挑战。例如： 如何分词，识别实体关系，实体间关系，关系网络展示等。
我用Jieba + Word2vec + NetworkX 结合在一起，做了一次自然语言分析。语料是 倚天屠龙记。 之前也有很多人用金庸的武侠小说做分析和处理，希望带来一些不同的地方。截几张图来看看：
所有人物的相似图连接。
关系同上。展示形式为多中心结构
以张无忌的不同身份为中心的网络关系图。
这次分析的不一样之处主要是：
1、Word2Vec的相似度结果 - 作为后期社交网络权重
2、NetworkX中分析和展示
上面两个方法结合起来，可以大幅减少日常工作中阅读文章的时间。 采用机器学习，可以从头到尾半自动抽取文章中的实体信息，节约大量时间和成本。 在各种工作中都有利用的场景， 如果感兴趣的朋友，可以联系合作。
先来看看，用Word2Vec+NetworkX 可以发现什么。
一、分析结果
实体的不同属性（张无忌的总多马甲）
张无忌，无忌，张教主，无忌哥哥，张公子。同一个张无忌有多个身份，不同身份又和不同的人联系，有不一样的相似度。
先来看看图：
无忌哥哥是过于亲密的名字，一般不喊。好似和这个词相似度高的都是比较奇怪的角色。
无忌是关系熟了以后，平辈或者长辈可以称呼的名字。还有周姑娘，殷姑娘等
张无忌是通用的名字，人人可以称呼 和马甲联系密切。
张公子是礼貌尊称。 例如，黄衫女子，汝阳王等
张教主是头衔。既要尊重，也表示其实不太熟，有时还有些敌意。 例如： 朱元璋
注：
1、图是Networkx 基于Word2vex画出来了，上面的描述是我的人工分析。
2、赵敏不在上面的网络关系图中。Word2Vec计算出来 张无忌和赵敏 相似度不太高。有些出乎我的意料。 仔细回忆一下，当年看此书时，突然就发现二人在一起了，显得比较突兀。推想起来，书中世界二人成婚了，如果变成现实世界，二人关系比较悬。
二、实现过程
主要步骤：
准备语料
-
倚天屠龙记 小说的文本文件
-
自定义分词词典 （小说中的人物名，网上有现成的，约180个）
-
停用词表
准备工具
-
Python Pandas, Numpy,Scipy(标准库）
-
Jieba（中文分词）
-
Word2vec (单词向量化工具，可以计算单词之间的详细度）
-
Networks（网络图工具，用于展示复杂的网络关系
数据预处理
-
文本文件转发成utf8(pandas)
-
文本文件分句，分词（Jieba)
-
文本文件分句，分词, 分析词性，主要是人名（Jieba)
-
更新自定义词典，重新分词（整个过程需要几遍，直至满意）
-
手工少量删除（分词出来的人名误判率不高，但是还是存在一些。例如：赵敏笑道，可以被识别的 一个叫 赵敏笑的人。 这部分工作还需要手工做。 除非有更好的分词工具，或者可以训练的分词工具，才能解决这一问题。
Word2Vec 训练模型。这个模型可以计算两个人之间的相似度
-
采用300个维度
-
过滤词频小于20次
-
滑动窗口 为20
-
下采样：0.001
生成实体关系矩阵。
-
网上没找找到现成库，我就自己写了一个。
-
N*N 维度。 N是人名数量。
-
用上面WordVec的模型来，填充实体关系矩阵
NetworkX 生成网络图
-
节点是人名
-
边是两个节点之间的线条。也就是两个人之间的关系。
三、部分代码实现（因篇幅有限，获取完整代码请关注公众号编程狗回复0321获取）
初始化
import numpy as np
import pandas as pd
import jieba
import jieba.posseg as posseg
%matplotlib inline
数据分词，清洗
renming_file = "yttlj_renming.csv"
jieba.load_userdict(renming_file)
stop_words_file = "stopwordshagongdakuozhan.txt"
stop_words = pd.read_csv(stop_words_file,header=None,quoting=3,sep="\t")[0].values
corpus = "yttlj.txt"
yttlj = pd.read_csv(corpus,encoding="gb18030",header=None,names=["sentence"])
def cut_join(s):
new_s=list(jieba.cut(s,cut_all=False)) #分词
#print(list(new_s))
stop_words_extra =set([""])
for seg in new_s:
if len(seg)==1:
#print("aa",seg)
stop_words_extra.add(seg)
#print(stop_words_extra)
#print(len(set(stop_words)| stop_words_extra))
new_s =set(new_s) -set(stop_words)-stop_words_extra
#过滤标点符号
#过滤停用词
result = ",".join(new_s)
return result
def extract_name(s):
new_s=posseg.cut(s) #取词性
words=[]
flags=[]
for k,v in new_s:
if len(k)>1:
words.append(k)
flags.append(v)
full_wf["word"].extend(words)
full_wf["flag"].extend(flags)
return len(words)
def check_nshow(x):
nshow = yttlj["sentence"].str.count(x).sum()
#print(x, nshow)
return nshow
# extract name & filter times
full_wf={"word":[],"flag":[]}
possible_name = yttlj["sentence"].apply(extract_name)
#tmp_w,tmp_f
df_wf = pd.DataFrame(full_wf)
df_wf_renming = df_wf[(df_wf.flag=="nr")].drop_duplicates()
df_wf_renming.to_csv("tmp_renming.csv",index=False)
df_wf_renming = pd.read_csv("tmp_renming.csv")
df_wf_renming.head()
df_wf_renming["nshow"] = df_wf_renming.word.apply(check_nshow)
df_wf_renming[df_wf_renming.nshow>20].to_csv("tmp_filtered_renming.csv",index=False)
df_wf_renming[df_wf_renming.nshow>20].shape
#手工编辑,删除少量非人名，分词错的人名
df_wf_renming=pd.read_csv("tmp_filtered_renming.csv")
my_renming = df_wf_renming.word.tolist()
external_renming = pd.read_csv(renming_file,header=None)[0].tolist()
combined_renming = set(my_renming) |set(external_renming)
pd.DataFrame(list(combined_renming)).to_csv("combined_renming.csv",header=None,index=False)
combined_renming_file ="combined_renming.csv"
jieba.load_userdict(combined_renming_file)
# tokening
yttlj["token"]=yttlj["sentence"].apply(cut_join)
yttlj["token"].to_csv("tmp_yttlj.csv",header=False,index=False)
sentences = yttlj["token"].str.split(",").tolist()
Word2Vec 向量化训练
# Set values for various parameters
num_features = 300 # Word vector dimensionality
min_word_count = 20 # Minimum word count
num_workers = 4 # Number of threads to run in parallel
context = 20 # Context window size
downsampling = 1e-3 # Downsample setting for frequent words
# Initialize and train the model (this will take some time)
from gensim.models import word2vec
model_file_name = 'yttlj_model.txt'
#sentences = w2v.LineSentence('cut_jttlj.csv')
model = word2vec.Word2Vec(sentences, workers=num_workers, \
size=num_features, min_count = min_word_count, \
window = context, \
sample = downsampling
)
model.save(model_file_name)
建立实体关系矩阵
entity = pd.read_csv(combined_renming_file,header=None,index_col=None)
entity = entity.rename(columns={0:"Name"})
entity = entity.set_index(["Name"],drop=False)
ER = pd.DataFrame(np.zeros((entity.shape[0],entity.shape[0]),dtype=np.float32),index=entity["Name"],columns=entity["Name"])
ER["tmp"] = entity.Name
def check_nshow(x):
nshow = yttlj["sentence"].str.count(x).sum()
#print(x, nshow)
return nshow
ER["nshow"]=ER["tmp"].apply(check_nshow)
ER = ER.drop(["tmp"],axis=1)
count = 0
for i in entity["Name"].tolist():
count +=1
if count % round(entity.shape[0]/10) ==0:
print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))
elif count == entity.shape[0]:
print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))
for j in entity["Name"]:
relation =0
try:
relation = model.wv.similarity(i,j)
ER.loc[i,j] = relation
if i!=j:
ER.loc[j,i] = relation
except:
relation = 0
ER.to_hdf("ER.h5","ER")
NetworkX 展示人物关系图
import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import pygraphviz
from networkx.drawing.nx_agraph import graphviz_layout
本文作者
王勇，Python中文社区专栏作者，雪球ID：快乐_爸，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产处理。MBA, PMI-PBA, PMP。
因篇幅有限，获取完整代码请关注公众号编程狗回复0321获取
点击下方阅读原文免费成为Python中文社区会员
文章评论