算法介紹

最近要做領域概念的提取，TFIDF作為一個很經典的算法可以作為其中的一步處理。

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

計算公式比較簡單，如下：

預處理

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

為了縮短時間，首先進行分詞，一個詞輸出為一行方便統計，分詞工具選擇的是HanLp。

然后，將一個領域的文檔合并到一個文件中，并用“$$$”標識符分割，方便記錄文檔數。

下面是選擇的領域語料（PATH目錄下）：

代碼實現

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"; // 要計算的候選詞

?

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

?

????}

?

????/**

????* @param @param path 語料路經

????* @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();

?

????????// 每個領域出現候選詞的文檔數

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

????????// 每個領域的總文檔數

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

????????// TF = 候選詞出現次數/總詞數

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

?

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

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

?

????????????// 候選詞詞頻

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

????????????// 文本總詞數

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

????????????// 包含候選詞的文檔數

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

????????????// 詞頻文檔計數

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

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

????????????// 標記文件中是否出現候選詞

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

?

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

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

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

?

????????????// 計算詞頻和總詞數

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

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

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

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

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

?

????????????????// 文件標識符

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

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

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

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

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

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

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

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

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

?

????????????// 減去文件標識符的數量得到總詞數

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

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

????????????// key都為領域的名字

????????????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("該領域文檔數：" + fileCount);

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

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

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

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

????????}

????????

????????//計算TF*IDF

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

?

????????????// 其他領域包含候選詞文檔數

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

????????????// 其他領域文檔總數

????????????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();

?

????????????// 計算其他領域包含候選詞文檔數

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

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

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

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

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

?

????????????// 計算其他領域文檔總數

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

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

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

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

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

?

????????????// 計算idf

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

?

????????????// 計算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));

????}

}

?

運行結果

測試詞為“離退休人員”，中間結果如下：

最終結果：

結論

可以看到“離退休人員”在養老保險和社保領域，tfidf值比較高，可以作為判斷是否為領域概念的一個依據。當然TF-IDF算法雖然很經典，但還是有許多不足，不能單獨依賴其結果做出判斷。很多論文提出了改進方法，本文只是實現了最基本的算法。如果有其他思路和想法歡迎討論。

?

文章轉載自 ??沒課割綠地 的博客

?