TF-IDF提取行業關鍵詞

1. TF-IDF簡介

TF-IDF（Term Frequency/Inverse Document Frequency）是信息檢索領域非常重要的搜索詞重要性度量；用以衡量一個關鍵詞\(w\)對於查詢（Query，可看作文檔）所能提供的信息。詞頻（Term Frequency, TF）表示關鍵詞\(w\)在文檔\(D_i\)中出現的頻率：

\[TF_{w,D_i}= \frac {count(w)} {\left| D_i \right|} \]

其中，\(count(w)\)為關鍵詞\(w\)的出現次數，\(\left| D_i \right|\)為文檔\(D_i\)中所有詞的數量。逆文檔頻率（Inverse Document Frequency, IDF）反映關鍵詞的普遍程度——當一個詞越普遍（即有大量文檔包含這個詞）時，其IDF值越低；反之，則IDF值越高。IDF定義如下：

\[IDF_w=\log \frac {N}{\sum_{i=1}^N I(w,D_i)} \]

其中，\(N\)為所有的文檔總數，\(I(w,D_i)\)表示文檔\(D_i\)是否包含關鍵詞，若包含則為1，若不包含則為0。若詞\(w\)在所有文檔中均未出現，則IDF公式中的分母為0；因此需要對IDF做平滑（smooth）：

\[IDF_w=\log \frac {N}{1+\sum_{i=1}^N I(w,D_i)} \]

關鍵詞\(w\)在文檔\(D_i\)的TF-IDF值：

\[TF-IDF_{w,D_i}=TF_{w,D_i}*IDF_w \]

從上述定義可以看出：

• 當一個詞在文檔頻率越高並且新鮮度高（即普遍度低），其TF-IDF值越高。
• TF-IDF兼顧詞頻與新鮮度，過濾一些常見詞，保留能提供更多信息的重要詞。

《TF-IDF模型的概率解釋》從概率的角度給出TF-IDF的數學解釋，《The Vector Space Model of text》為TF-IDF的實操教程，包括TF-IDF的一般計算、正則化，以及如何使用scikit-learn（sklearn）來計算TF-IDF矩陣。

2. 關鍵詞提取

最近碰到一個需求，挖掘行業關鍵詞；比如，IT行業的關鍵詞有：Java、Python、機器學習等。TF-IDF正好可用來做關鍵詞的抽取，詞TF-IDF值越大，則說明該詞為關鍵詞。那么，問題來了：如何套用TF-IDF模型呢？

模型套用

為了做關鍵詞挖掘，首先得有數據；我們從某招聘網站爬取了20個行業招聘信息數據。然后，對數據進行分詞。我們發現，行業關鍵詞具有領域特定性，即一個行業的關鍵詞一般不會同屬於另外幾個行業。因此，我們每一個行業的分詞結果作為一個大doc，則doc的總數量為20。用sklearn計算TF-IDF矩陣，取每個行業top詞。

在上述模型套用中，因為doc總數少，發現top詞中會有一些常見詞，諸如“認真負責”、“崗位”之類。為了過濾常見詞，采取兩個辦法：

• 用jieba分詞對每一條招聘信息做關鍵詞抽取（也是基於TF-IDF），如此能在生成大doc時剔除掉部分常見詞。
• 引入max_df，如果詞的df超過某一閾值則被詞表過濾。

代碼實現

分詞采用的jieba，如果覺得分詞效果不太理想，可采用百度詞條作為自定義分詞詞典；TF-IDF計算依賴於sklearn；求matrix 的row top則用到了numpy。具體代碼如下：

# -*- coding: utf-8 -*-
# @Time    : 2016/9/6
# @Author  : rain
import codecs
import os

import jieba.analyse
import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer

base_path = "./resources/corpus/"
seg_path = "./resources/segmented/"


def segment():
    """word segment"""
    for txt in os.listdir(base_path):
        whole_base = os.path.join(base_path, txt)
        whole_seg = os.path.join(seg_path, txt)
        with codecs.open(whole_base, 'r', 'utf-8') as fr:
            fw = codecs.open(whole_seg, 'w', 'utf-8')
            for line in fr.readlines():
                # seg_list = jieba.cut(line.strip())
                seg_list = jieba.analyse.extract_tags(line.strip(), topK=20, withWeight=False, allowPOS=())
                fw.write(" ".join(seg_list))
            fw.close()


def read_doc_list():
    """read segmented docs"""
    trade_list = []
    doc_list = []
    for txt in os.listdir(seg_path):
        trade_list.append(txt.split(".")[0])
        with codecs.open(os.path.join(seg_path, txt), "r", "utf-8") as fr:
            doc_list.append(fr.read().replace('\n', ''))
    return trade_list, doc_list


def tfidf_top(trade_list, doc_list, max_df, topn):
    vectorizer = TfidfVectorizer(max_df=max_df)
    matrix = vectorizer.fit_transform(doc_list)
    feature_dict = {v: k for k, v in vectorizer.vocabulary_.items()}  # index -> feature_name
    top_n_matrix = np.argsort(-matrix.todense())[:, :topn]  # top tf-idf words for each row
    df = pd.DataFrame(np.vectorize(feature_dict.get)(top_n_matrix), index=trade_list)  # convert matrix to df
    return df


segment()
tl, dl = read_doc_list()
tdf = tfidf_top(tl, dl, max_df=0.3, topn=500)
tdf.to_csv("./resources/keywords.txt", header=False, encoding='utf-8')