NLP---NLTK学习和初识word2vec + kaggle项目Bag of Words Meets Bags of Popcorn（bag _of_words_model）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/lyf52010/article/details/84961532

全体stopwords列表 http://www.ranks.nl/stopwords

Word2Vect 实例：

https://www.zybuluo.com/hanxiaoyang/note/472184

Kaggle项目：https://www.kaggle.com/c/word2vec-nlp-tutorial

Bag-of-words 模型

之前教研室有个小伙伴在做文本方面的东西，经常提及词袋模型，只知道是文本表示的一种，可是最近看的关于CV的论文中也出现BoW模型，就很好奇BoW到底是个什么东西。

BoW起始可以理解为一种直方图统计，开始是用于自然语言处理和信息检索中的一种简单的文档表示方法。 和histogram 类似，BoW也只是统计频率信息，并没有序列信息。而和histogram不同的是，histogram一般统计的某个区间的频数，BoW是选择words字典，然后统计字典中每个单词出现的次数。
比如下面两个文档

John likes to watch movies. Mary likes too.
John also likes to watch football games.

首先可以找出两篇文档中单词的并集，作为dictionary

{"John":1, 'likes':2, "to":3, 'watch':4, 'movies':5, 'also':6, 'football':7, 'games':8, 'Mary':9, 'too':10}

那么两篇文档统计出来的BoW 向量就是
[1,2,1,1,1,0,0,0,1,1]
[1,1,1,1,0,1,1,1,0,0]

实例

对影评数据做预处理，大概有以下环节：

1. 去掉html标签
2. 移除标点
3. 切分成词/token
4. 去掉停用词
5. 重组为新的句子
6. example = BeautifulSoup(raw_example, 'html.parser').get_text()
   display(example, '去掉HTML标签的数据')
7. example_letters = re.sub('[^a-zA-Z]', ' ', example)
   display(example_letters, '去掉标点的数据')
8. words = example_letters.lower().split()
   display(words, '纯词列表数据')
9. from nltk.corpus import stopwords
   # stopwords = {}.fromkeys([ line.rstrip() for line in open('../stopwords.txt')])
   stopwords = stopwords.words("english")
   words_nostop = [w for w in words if w not in stopwords]
   display(words_nostop, '去掉停用词数据')
10. vectorizer = CountVectorizer(max_features = 5000) 
    train_data_features = vectorizer.fit_transform(df.clean_review).toarray()
    train_data_features.shape
    vectorizer.get_feature_names()
11.