Kmeans聚类之建立词袋子模型

作者：finallyliuyu （转载请注明出处）

最近打算将自己的工作平台由C#，python等迁移到C++。这是我的第一个C++工作程序吧。

IDE:VS2008

language: C++

library:boost（安装boost库，先要安装python安装方法见《boost库安装方法》）

tools:weka

C++程序完成的功能：从数据库中读出文章-》分词（调用ICTCLAS）-》特征词选择（DF法）->VSM模型建立->把文章写成weka数据格式arff文件（此处写成的是稀疏数据的储存格式。weka教程见《教程》）

首先给出构造停用词集合的代码：

/************************************************************************/
/* 获取停用词表                                                                     */
/************************************************************************/
set<string>MakeStopSet()
{    set<string> stopwordsSet;
    ifstream ifile("stopwords.txt");
    while(!ifile.eof())
    {
        string temp;
        trim(temp," ");
        ifile>>temp;
        stopwordsSet.insert(temp);
    }
    return stopwordsSet;
     
    
}

然后我们给出调用ICTclas进行分词的代码，注意：工程中调用ICTCLAS时要把data 文件夹，config文件，ictclas30.h ICTCLAS30.dll,ICTCLAS30.LIB放在工程所在的文件夹。将ictclas30.h加入工程，在调用ICTCLAS30.DLL的cpp文件的头部加上#pragma comment(lib, "ICTCLAS30.lib")

************************************************************************/
/* c字符创形式的输入，string格式的输出，此函数用于调用ICTCLAS完成分词功能
/*
/************************************************************************/
string ICTsplit(const char *sInput)
{
    if(!ICTCLAS_Init())
    {
        printf("ICTCLAS INIT FAILED!\n");
        string strerr(sInput);
        return strerr;
    }
    ICTCLAS_SetPOSmap(ICT_POS_MAP_SECOND);
    //导入用户词典后
    /*printf("\n导入用户词典后：\n");
    int nCount = ICTCLAS_ImportUserDict("userdic.txt");//覆盖以前的用户词典
    //保存用户词典
    ICTCLAS_SaveTheUsrDic();
    printf("导入%d个用户词。\n", nCount);*/

    const char* sResult = ICTCLAS_ParagraphProcess(sInput, 0);
    string strresult(sResult);
    //printf("%s\n", sResult);
    //把字符串转化成宽字符串
    wstring wsResult=myMultibyteToWideChar(strresult);
    boost::wregex wreg(L"\\s+");
    wsResult=boost::regex_replace(wsResult,wreg,wstring(L"|"));
    strresult=myWideCharToMultibyte(wsResult);
    

        
    //ofile<<str1;
    //ofile.close();
    //cout<<str1<<endl;
    //ICTCLAS_FileProcess("text.txt","test_result.txt",1);
    ICTCLAS_Exit();

    return strresult;
}

ICTclas分词结果默认的分割符是空格，在以上函数中，我们改成了“|”作为分隔符，字符串替换考率用boost的正则表达式库。因为我们要处理的是汉字字符串，所有要进行宽字符串窄字符串之间的转化，我采用的是利用win32函数的方法更多方法请见《boost正则表达式处理汉字字符串》。

/************************************************************************/
/*  功能：将窄字符转化成宽字符，string->wstring                         */
/************************************************************************/
wstring myMultibyteToWideChar(string sResult)
{
    int iWLen=MultiByteToWideChar( CP_ACP, 0, sResult.c_str(), sResult.size(), 0, 0 );// 计算转换后宽字符串的长度。（不包含字符串结束符）
    wchar_t *lpwsz= new wchar_t [iWLen+1];
    MultiByteToWideChar( CP_ACP, 0, sResult.c_str(), sResult.size(), lpwsz, iWLen ); // 正式转换。
    lpwsz[iWLen] = L'\0'; 
    wstring wsResult(lpwsz);
    delete []lpwsz;
    return wsResult;
}
/************************************************************************/
/* 将宽字符串转化成窄字符串用于输出                                     */
/************************************************************************/
string myWideCharToMultibyte(wstring wsResult)
{    string sResult;
    int iLen= WideCharToMultiByte( CP_ACP, NULL, wsResult.c_str(), -1, NULL, 0, NULL, FALSE ); // 计算转换后字符串的长度。（包含字符串结束符）
    char *lpsz= new char[iLen];
    WideCharToMultiByte( CP_OEMCP, NULL, wsResult.c_str(), -1, lpsz, iLen, NULL, FALSE); // 正式转换。
    sResult.assign( lpsz, iLen-1 ); // 对string对象进行赋值。
    delete []lpsz;
    return sResult;




}

 有了以上的功能，我们现在编写一个函数，函数的输入是一篇文章，输出是一个词的集合。该词集合保存的是初步去掉噪声词后的“好词”

代码如下

/************************************************************************/
/* 返回一篇文章中的好词                                                 */
/************************************************************************/
vector<string>goodWordsinPieceArticle(string rawtext,set<string> stopwords)
{  
    vector<wstring> goodWordstemp;
    vector<string> goodWords;
    const char* sInput=rawtext.c_str();
    string sResult=ICTsplit(sInput);
    wstring wsResult=myMultibyteToWideChar(sResult);
    boost::wregex wreg(L"\\d+");//去掉中文空格
    wsResult=boost::regex_replace(wsResult,wreg,wstring(L""));
    //boost::regex_split(back_inserter(goodWordstemp),wsResult,wreg);
    boost::split(goodWordstemp,wsResult,boost::is_any_of("|"));

    for(vector<wstring>::iterator it=goodWordstemp.begin();it!=goodWordstemp.end();it++)
    {
        string temp=myWideCharToMultibyte(*it);
        trim(temp," ");
        if(!stopwords.count(temp)&&!temp.empty())
        {
            goodWords.push_back(temp);
        }
        
    
    }

    return goodWords;

    
}

 上面的这个函数可以说是我们建立词袋子模型的基本单元，给上面的函数输入文章内容（rawtext）,以及停用词表，那么它将返回一个词集合。下面我们开始构造词袋子模型。在构造词袋子模型之前，我们要说一下，我们词袋子模型的格式map<string,vector<pair<int,int>>>：主键为该词，pair中的第一个int 为文章标号，第二个词为在该文中出现的次数，vector<pair<int,int>>统计的是这个词在那些文章中出现，出现过几次。因为数据量比较大所以词袋子模型map,采用引用传参，如果是值传参的话，会在内存中产生拷贝，浪费内存

下面是从数据库中读文章建立词袋子模型的代码

/************************************构建倒排表： key=word,val= a list of pairs which consists of articleid ,and count, count=tf*************************************************************/
int ConstructMap(map<string,vector<pair<int,int>>>&mymap,int beginindex,int endindex)
{
    
//    vector<string> mySplit(string s);
     set<string>MakeStopSet();
    vector<string>goodWordsinPieceArticle(string rawtext,set<string>stopwords);
    CoInitialize(NULL);
    _ConnectionPtr pConn(__uuidof(Connection));
    _RecordsetPtr pRst(__uuidof(Recordset));
    char * select =new char[5000];
    memset(select,0,5000);
    char *firstpart="select CKeyWord,ArticleId,CAbstract from Article where ArticleId between ";
    char *lastpart=" order by ArticleId";
    char middlepart1[100];
    char middlepart2[100];
    sprintf_s(middlepart1,sizeof(middlepart1),"%d",beginindex);
    sprintf_s(middlepart2,sizeof(middlepart2),"%d",endindex);
    strcat(select,firstpart);
    strcat(select,middlepart1);
    strcat(select," and ");
    strcat(select,middlepart2);
    strcat(select,lastpart);
    pConn->ConnectionString="Provider=SQLOLEDB.1;Password=xxxxxx;Persist Security Info=True; User ID=sa;Initial Catalog=ArticleCollection";
    pConn->Open("","","",adConnectUnspecified);
    pRst=pConn->Execute(select,NULL,adCmdText);
    set<string>stopwords=MakeStopSet();
    while(!pRst->rsEOF)
    {    vector<string>wordcollection;
        //string keywordstr=(_bstr_t)pRst->GetCollect("CKeyWord");
        string rawtext=(_bstr_t)pRst->GetCollect("CAbstract");
        if(rawtext!="")
        {
                wordcollection=goodWordsinPieceArticle(rawtext,stopwords);
                string tempid=(_bstr_t)pRst->GetCollect("ArticleId");
                int articleid=atoi(tempid.c_str());
                for(vector<string>::iterator strit=wordcollection.begin();strit!=wordcollection.end();strit++)
                {
                    vector<pair<int,int>>::iterator it;
                    if(mymap[*strit].empty())
                    {
                        pair<int,int>mytemppair=make_pair(articleid,1);
                        mymap[*strit].push_back(mytemppair);

                    }
                    else
                    {
                        for(it=mymap[*strit].begin();it!=mymap[*strit].end();it++)
                        {  
                            if(it->first==articleid)
                            {
                                it->second=++(it->second);
                                break;
                            }
                    
                        }
                        if(it==mymap[*strit].end())
                        {
                            pair<int,int>mytemppair=make_pair(articleid,1);
                            mymap[*strit].push_back(mytemppair);
                        }

                    }

            }
            

        }
        
        
        pRst->MoveNext();
        wordcollection.clear();
    }
    pRst->Close();
    pConn->Close();
    pRst.Release();
    pConn.Release();
    CoUninitialize();
    delete[] select;
    return 0;

}

未完，待续。。。。。