Python无监督抽词 SEO如何快速正确分词
发布时间：2012-10-8 发布人：管理员 人气：
关键词：青岛网站优化 ,青岛网站建设,青岛SEO,青岛百度优化,青岛优化公司
如何快速正确分词，对于SEO来说，是提取tags聚合,信息关联的好帮手。
目前很多分词工具都是基于一元的分词法，需要词库来辅助。
通过对Google黑板报第一章的学习，如何利用统计模型进行分词。
本方法考虑了3个维度
凝聚程度：两个字连续出现的概率并不是各自独立的程度。例如“上”出现的概率是1×10^-5,”床”出现的概率是1×10^-10，如果这两个字的凝聚程度低，则”上床”出现的概率应该和1×10^-15接近，但是事实上”上床”出现的概率在1×10^-11次方，远高于各自独立概率之积。所以我们可以认为“上床”是一个词。
左邻字集合熵：分出的词左边一个字的信息量，比如”巴掌”，基本只能用于”打巴掌”，“一巴掌”，“拍巴掌”，反之”过去”这个词，前面可以用“走过去”，“跑过去”，“爬过去”，“打过去”，“混过去”，“睡过去”，“死过去”，“飞过去”等等，信息熵就非常高。
右邻字集合熵：分出的词右边一个词的信息量，同上
下面是一个利用Python实现的demo（转自：http://www.webinfoextract.com/forum.php?mod=viewthread&tid=20）
|
1
2
3
4
5
6
7
8
9
|
#!/bin/shpython ./splitstr.py > substr.freqpython ./cntfreq.py > word.freqpython ./findwords.py > resultsort -t" " -r -n -k 2 result > result.sort |
splitstr.py，切分出字数在10以内的子字符串，计算词频，左邻字集合熵，右邻字集合熵，并输出出现10次以上的子字符串：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
import mathdef compute_entropy(word_list):wdict={}tot_cnt=0for w in word_list:if w not in wdict:wdict[w] = 0wdict[w] += 1tot_cnt+=1ent=0.0for k,v in wdict.items():p=1.0*v/tot_cntent -= p * math.log(p)return entdef count_substr_freq():fp = open("./video.corpus")str_freq={}str_left_word={}str_right_word={}tot_cnt=0for line in fp:line=line.strip('\n')st = line.decode('utf-8')l=len(st)for i in range(l):for j in range(i+1,l):if j - i 0:left_word=st[i-1]else:left_word='^'if j < l-1: right_word=st[j+1] else: right_word='%' str_left_word[w].append(left_word) str_right_word[w].append(right_word) tot_cnt+=1 for k,v in str_freq.items(): if v >= 10:left_ent=compute_entropy(str_left_word[k])right_ent=compute_entropy(str_right_word[k])print "%s\t%f\t%f\t%f"%(k,v*1.0/tot_cnt,left_ent,right_ent)if __name__ == "__main__":count_substr_freq() |
cntfreq.sh，统计每个字的字频：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
def count_freq():word_freq={}fp = open("./substr.freq")tot_cnt=0.0for line in fp: line=line.split('\t')if len(line) < 2:continuest = line[0].decode('utf-8')freq = float(line[1])for w in st: if w not in word_freq:word_freq[w]=0.0word_freq[w]+=freqtot_cnt+=freqwhile True:try:x,y = word_freq.popitem()if x:freq=y*1.0/tot_cntprint "%s\t%f"%(x.encode('utf-8'),freq)else:breakexcept:breakif __name__ == "__main__":count_freq() |
findwords.py，输出凝合程度高，且左右邻字集合熵都较高的字符串：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
|
def load_dict(filename):dict={}fp=open(filename)for line in fp:line=line.strip('\n')item=line.split('\t')if len(item) == 2:dict[item[0]] = float(item[1])return dictdef compute_prob(str,dict):p=1.0for w in str:w = w.encode('utf-8')if w in dict:p *= dict[w]return pdef is_ascii(s):return all(ord(c) < 128 for c in s)def find_compact_substr(dict):fp = open("./substr.freq")str_freq={}for line in fp:line = line.decode('utf-8')items = line.split('\t')if len(items) < 4:continuesubstr = items[0]freq = float(items[1])left_ent = float(items[2])right_ent = float(items[3])p=compute_prob(substr,dict)freq_ratio=freq/pif freq_ratio > 5.0 and left_ent > 2.5 and right_ent > 2.5 and len(substr) >= 2 and not is_ascii(substr):print "%s\t%f"%(substr.encode('utf-8'),freq)if __name__ == "__main__":dict=load_dict('./word.freq')find_compact_substr(dict) |
对3万条视频的标题，抽出的频率最高的50个词如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
视频 0.000237轴承 0.000184北京 0.000150中国 0.000134高清 0.000109搞笑 0.000101新闻 0.000100上海 0.000100美女 0.000092演唱 0.000085音乐 0.000082—— 0.000082第二 0.000080少女 0.000078最新 0.000074广场 0.000070世界 0.000070现场 0.000066娱乐 0.000066大学 0.000064公司 0.000064舞蹈 0.000063电视 0.000063教学 0.000060我们 0.000060国语 0.000059经典 0.000056字幕 0.000055宣传 0.000053钢管 0.000051游戏 0.000050电影 0.000049演唱会 0.000046日本 0.000045小学 0.000045快乐 0.000044超级 0.000043第三 0.000042宝宝 0.000042学生 0.000042广告 0.000041培训 0.000041视频 0.000040美国 0.000040爱情 0.000039老师 0.000038动画 0.000038教程 0.000037广州 0.000037学院 0.000035 |
