Unigram 和bigram 对yelp数据集进行垃圾评论识别分类 python

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/lily960427/article/details/78996500

依旧是对yelp数据集处理，之前效果不理想，后来仔细看了论文，用的是SVMlight分类器…（使用方法见上一篇文章），效果就差不多了。。。。

过程就是对英文进行处理（去停用，去高频和低频），化为词袋模型，处理成SVMlight的格式，进行分类。贴部分代码。

对数据处理：

for c in cos:
    cis_2=[]
    id = c.split(' ')[0]
    content = c[len(id) + 2:-4]
    s = nltk.stem.SnowballStemmer('english')
    content = s.stem(content)

    # 分割成句子、分割成单词
    sentences = nltk.sent_tokenize(content)
    words = []
    for sen in sentences:
        words.extend(nltk.word_tokenize(sen))
    # 去除停用词
    stopwords = nltk.corpus.stopwords.words('english')
    filtered = [w for w in words if (w not in stopwords)]

    #2-gram
    for i in range(len(filtered)):
        c=filtered[i]
        cis_2.append(c)
    for i in range(len(filtered) - 1):
        c = filtered[i] + filtered[i + 1]
        cis_2.append(c)

    contents.append(cis_2)

形成词典去除低频和高频

#去掉低频词高频
d=defaultdict(int)
for m in contents:
    for n in m:
        d[n] +=1
print(d.items())

contents = [[token for token in text if 3000>d[token] >5]
         for text in contents]
#形成字典
dictionary = corpora.Dictionary(contents)
print(len(dictionary))
#将文本转化为词袋模型的向量，返回的一个个二元组
#比如（0，2）代表第0个次出现了2次
corpus = [dictionary.doc2bow(text) for text in contents]

还可以，recall还有提升，毕竟具体预处理细节也不知道