112-文本分析之基于網(wǎng)絡(luò)集群識(shí)別和主題模型的聚類

1貌踏、 基于網(wǎng)絡(luò)集群識(shí)別的自動(dòng)化聚類

共現(xiàn)關(guān)系聚類,利用社交網(wǎng)絡(luò)分析(Social Network Analysis, SNA)來構(gòu)建知識(shí)圖譜发侵,然后進(jìn)行集群的識(shí)別(Community Detection)肌括,從而給文本基本單元進(jìn)行自動(dòng)分類沈条。

隨便文本代替即可匾委,包括兩列拖叙,一列為文檔名或編號(hào),一列為文本內(nèi)容剩檀。

storagebottles <- read.csv("dataset/ali/storagebottles0905.csv", 
                           header = F) %>% 
  set_names(c("sku_name", "sku_price", "sku_sale_volume", "sku_score",
              "sku_ship", "sku_isNewin", "sku_isPromotion", 
              "sku_isTopselling", "shop_name", "sku_link", "category4")) %>%
  distinct(.keep_all = T)

df <- select(storagebottles, sku_id, sku_name)
# akc用于自動(dòng)化的共現(xiàn)關(guān)系網(wǎng)絡(luò)構(gòu)建和集群識(shí)別
library(pacman)
p_load(dplyr, akc)

# 數(shù)據(jù)清洗
# rmParentheses=T清除小括號(hào)及其小括號(hào)內(nèi)的內(nèi)容
# 清除前后空格
# 清除所有空字符和數(shù)字字符
# 英文轉(zhuǎn)小寫
clean_data <- keyword_clean(df = df,
                            id = "sku_id", 
                            keyword = "sku_name")

# 關(guān)鍵詞根據(jù)詞干和詞元?dú)w并
# 例如憋沿,“good boy”和“good boys”分別出現(xiàn)了5次和 9次,這兩個(gè)短語具有相同的詞元(“good boy”)
# 所以最后會(huì)被歸并為出現(xiàn)次數(shù)最多的“good boys”
merge_data <- keyword_merge(clean_data)
merge_data
## # A tibble: 1,199 × 2
##    id               keyword                                                                  
##    <chr>            <chr>                                                                    
##  1 3256803118990386 "0.4l-1.7l stainless steel airtight coffee container storage canister se…
##  2 3256803826538697 "1-100pcs empty silver aluminum tins cans screw top round candle spice t…
##  3 3256804186933336 "1-30ml straight draw perfume refill tools set plastic diffuser syringe …
##  4 3256804187105399 "1-30ml straight draw perfume refill tools set plastic diffuser syringe …
##  5 3256803725515784 "1/10pcs plastic 70/86mm storage cap ribbed lids regular mouth screw cap…
##  6 3256804252879281 "1/2/3/4/5 pcs portable squeeze travel bottle facial bath bottle contain…
##  7 3256804202452859 "1/2/3/5 ml mini glass sample vials perfume bottle laboratory liquid fra…
##  8 3256804206267630 "1/2/3/5 ml mini glass sample vials perfume bottle laboratory liquid fra…
##  9 3256803534413593 "1/2/3/5 ml roll on bottle refillable empty glass essential oils perfume…
## 10 3256803873654482 "1/2/3pcs kitchen gadgets fresh herb keeper container clear spice fridge…
## # … with 1,189 more rows
# 關(guān)鍵詞自動(dòng)分類
# ?tidygraph::group_graph可以尋找更多識(shí)別算法
grouped_data <- keyword_group(merge_data,
                              # 默認(rèn)集群算法
                              com_detect_fun = group_fast_greedy,
                              # 只對(duì)詞頻最大的200個(gè)詞進(jìn)行分類
                              top = 200)
grouped_data
## # A tbl_graph: 2 nodes and 1 edges
## #
## # An unrooted tree
## #
## # Node Data: 2 × 3 (active)
##   name                                                                             freq group
##   <chr>                                                                           <int> <int>
## 1 2021new chili cans women&#39                                                        1     1
## 2 s self-defense high concentration anti wolf spray portable self-defense spray …     1     2
## #
## # Edge Data: 1 × 3
##    from    to     n
##   <int> <int> <int>
## 1     1     2     1
# 轉(zhuǎn)換為數(shù)據(jù)框
# name列保存的是關(guān)鍵詞信息沪猴,freq列是關(guān)鍵詞的詞頻,而group列則保存了關(guān)鍵詞所屬的類
as_tibble(grouped_data)
## # A tibble: 2 × 3
##   name                                                                             freq group
##   <chr>                                                                           <int> <int>
## 1 2021new chili cans women&#39                                                        1     1
## 2 s self-defense high concentration anti wolf spray portable self-defense spray …     1     2
# 結(jié)果輸出
# 表格輸出,對(duì)每個(gè)聚類中詞頻最高的10個(gè)關(guān)鍵詞進(jìn)行表格顯示
keyword_table(grouped_data, top = 10)
## # A tibble: 2 × 2
##   Group `Keywords (TOP 10)`                                                                  
##   <int> <chr>                                                                                
## 1     1 2021new chili cans women&#39 (1)                                                     
## 2     2 s self-defense high concentration anti wolf spray portable self-defense spray cans (…
# 可視化輸出
keyword_vis(grouped_data)
000018.jpg

2采章、基于主題模型的分類

p_load(tidytext, topicmodels)

# 使用akc包帶的數(shù)據(jù)
tidy_data <- keyword_clean(bibli_data_table, lemmatize = F) %>% 
  keyword_merge(reduce_form = "stem")

# 生成DTM
dtm_data <- count(tidy_data, id, keyword) %>% 
  cast_dtm(id, keyword, n)

# LDA分析
lda_data <- LDA(dtm_data, k = 2, control = list(seed = 2022))
lda_data
## A LDA_VEM topic model with 2 topics.
# 查看關(guān)鍵詞所屬主題的概率
lda_topic <- tidy(lda_data, matrix = "beta")
lda_topic
## # A tibble: 6,200 × 3
##    topic term                         beta
##    <int> <chr>                       <dbl>
##  1     1 austerity               0.000314 
##  2     2 austerity               0.000430 
##  3     1 community capacity      0.000195 
##  4     2 community capacity      0.000177 
##  5     1 library professionals   0.000612 
##  6     2 library professionals   0.000505 
##  7     1 public libraries        0.0181   
##  8     2 public libraries        0.00948  
##  9     1 public service delivery 0.000362 
## 10     2 public service delivery 0.0000106
## # … with 6,190 more rows
# 查看每個(gè)主題概率最高的5個(gè)關(guān)鍵詞
topic_terms <- lda_topic %>% 
  group_by(topic) %>% 
  top_n(5, beta) %>% 
  ungroup() %>% 
  arrange(topic, -beta)
p_load(ggplot2)
# 使用條形圖進(jìn)行展示
topic_terms %>% 
  mutate(term = reorder_within(term, beta, topic)) %>% 
  ggplot(aes(term, beta, fill = factor(topic))) +
  geom_col(show.legend = F) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip() +
  scale_x_reordered()
條形圖展示
# 判斷文檔屬于哪個(gè)主題
lda_gamma <- tidy(lda_data, matrix = "gamma")
lda_gamma
## # A tibble: 1,942 × 3
##    document topic gamma
##    <chr>    <int> <dbl>
##  1 1            1 0.516
##  2 2            1 0.496
##  3 3            1 0.490
##  4 4            1 0.471
##  5 5            1 0.495
##  6 6            1 0.508
##  7 7            1 0.497
##  8 8            1 0.498
##  9 9            1 0.508
## 10 10           1 0.503
## # … with 1,932 more rows
# 每個(gè)文檔中每個(gè)關(guān)鍵詞的數(shù)量及其所屬主題
assignments <- augment(lda_data, data = dtm_data)
assignments
## # A tibble: 5,365 × 4
##    document term                  count .topic
##    <chr>    <chr>                 <dbl>  <dbl>
##  1 1        austerity                 1      2
##  2 719      austerity                 1      2
##  3 1        community capacity        1      1
##  4 1        library professionals     1      1
##  5 522      library professionals     1      1
##  6 863      library professionals     1      1
##  7 1        public libraries          1      1
##  8 2        public libraries          1      1
##  9 49       public libraries          1      1
## 10 51       public libraries          1      1
## # … with 5,355 more rows
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末运嗜,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子悯舟,更是在濱河造成了極大的恐慌担租,老刑警劉巖,帶你破解...
    沈念sama閱讀 206,839評(píng)論 6 482
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件抵怎,死亡現(xiàn)場離奇詭異奋救,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)反惕,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,543評(píng)論 2 382
  • 文/潘曉璐 我一進(jìn)店門尝艘,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人姿染,你說我怎么就攤上這事背亥。” “怎么了悬赏?”我有些...
    開封第一講書人閱讀 153,116評(píng)論 0 344
  • 文/不壞的土叔 我叫張陵狡汉,是天一觀的道長。 經(jīng)常有香客問我闽颇,道長盾戴,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 55,371評(píng)論 1 279
  • 正文 為了忘掉前任兵多,我火速辦了婚禮尖啡,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘中鼠。我一直安慰自己可婶,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 64,384評(píng)論 5 374
  • 文/花漫 我一把揭開白布援雇。 她就那樣靜靜地躺著矛渴,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上具温,一...
    開封第一講書人閱讀 49,111評(píng)論 1 285
  • 那天蚕涤,我揣著相機(jī)與錄音,去河邊找鬼铣猩。 笑死揖铜,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的达皿。 我是一名探鬼主播天吓,決...
    沈念sama閱讀 38,416評(píng)論 3 400
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼峦椰!你這毒婦竟也來了龄寞?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,053評(píng)論 0 259
  • 序言:老撾萬榮一對(duì)情侶失蹤汤功,失蹤者是張志新(化名)和其女友劉穎物邑,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體滔金,經(jīng)...
    沈念sama閱讀 43,558評(píng)論 1 300
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡色解,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,007評(píng)論 2 325
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了餐茵。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片科阎。...
    茶點(diǎn)故事閱讀 38,117評(píng)論 1 334
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖钟病,靈堂內(nèi)的尸體忽然破棺而出萧恕,到底是詐尸還是另有隱情,我是刑警寧澤肠阱,帶...
    沈念sama閱讀 33,756評(píng)論 4 324
  • 正文 年R本政府宣布票唆,位于F島的核電站,受9級(jí)特大地震影響屹徘,放射性物質(zhì)發(fā)生泄漏走趋。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,324評(píng)論 3 307
  • 文/蒙蒙 一噪伊、第九天 我趴在偏房一處隱蔽的房頂上張望簿煌。 院中可真熱鬧,春花似錦鉴吹、人聲如沸姨伟。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,315評(píng)論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽夺荒。三九已至瞒渠,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間技扼,已是汗流浹背伍玖。 一陣腳步聲響...
    開封第一講書人閱讀 31,539評(píng)論 1 262
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留剿吻,地道東北人窍箍。 一個(gè)月前我還...
    沈念sama閱讀 45,578評(píng)論 2 355
  • 正文 我出身青樓,卻偏偏與公主長得像丽旅,于是被迫代替她去往敵國和親椰棘。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 42,877評(píng)論 2 345

推薦閱讀更多精彩內(nèi)容