Kmeans聚类之特征词选择（DF法）

写个菜鸟的入门级读物：如何利用weka进行文本聚类（一）（老鸟勿进，因为你会失望的。。。）

作者：finallyliuyu(转载请注明作者和出处)

哦，（一）忘记附上了去掉字符串首尾空格的小函数了，现在补上。

void trim(string  &str,const string val)
{  
   str.erase(0,str.find_first_not_of(val));
   str.erase(str.find_last_not_of(val)+val.size());
   
   
}

在（一）中，我们已经建立了稳定词袋子模型，这个词袋子模型可是个宝贝家伙，我们一定要小心维护。为什么呢？因为 特征词选择模块，VSM（文档向量模型）的建立模块，我们都要用到它。另外我们也说了这个这个东西很占内存，所以我们不能在特征词选择的时候调用一次这个函数，然后在建立VSM模型的时候再调用一次这个函数，这样会影响程序的运行速度，所以最好的方法就是把这个宝贝家伙保存到硬盘上。序列化。对于序列化这个复杂的map,我问过嗷嗷，也问过同学，有人建议我用boost库，但是我觉得最简单的方法还是自己按某种规则自己序列化到硬盘，然后解序列化到内存。

至于格式，我是这么定义的。

首行，词的总个数

然后

词1的text

词1的DF，

然后是vector<pair<int,int> >

...

以此类推。上个图给大家看看就一目了然了。

下面给出序列化和反序列化的代码

//将词典信息存到硬盘上
void save(map<string,vector<pair<int,int> > >&mymap)
{   ofstream outfile("f:\\mydict.dat",ios::binary);
    outfile<<mymap.size()<<endl;
    map<string,vector<pair<int,int> > >::iterator it;
    for (it=mymap.begin();it!=mymap.end();it++)
    {   outfile<<it->first<<endl;
        vector<pair<int,int>>::iterator subit;
        outfile<<it->second.size()<<endl;
        for(subit=(it->second).begin();subit!=(it->second).end();++subit)
        {
            outfile<<subit->first<<" "<<subit->second<<" "<<";"<<" ";
        }
        outfile<<endl;
    }
    //outfile.write((char *)&mymap,sizeof(mymap));

    outfile.close();
}

void load(map<string,vector<pair<int,int> > >&mymap)
{   
    //设置代码页为简体中文，936是简体中文的代码页。
    std::locale loc1 = std::locale::global(std::locale(".936"));
    {
        // 在这里使用std::ifstream 或者 std::fstream
        ifstream infile("F:\\mydict.dat",ios::binary);
        int lenMyMap;//保存词典长度
        int lenVector;//保存每个词出现的文章数目
        string key;//保存读出的map的键值
        int articleId;//文章标号
        int count;//在该文章中刚出现的数目
        string comma;
        string semicolon;
        infile>>lenMyMap;
        while(!infile.eof())
        {
            infile>>key;
            infile>>lenVector;
            vector<pair<int,int> >temp;
            for (int i=0;i<lenVector;i++)
            {
                infile>>articleId>>count>>semicolon;
                temp.push_back(make_pair(articleId,count));
            }
            mymap[key]=temp;
        
        
        }
    

        infile.close();
    }
    std::locale::global(std::locale(loc1));

}

/打印词典信息
void print(map<string,vector<pair<int,int> > >&mymap)
{   
    cout<<mymap.size()<<endl;
    map<string,vector<pair<int,int> > >::iterator it;
    for (it=mymap.begin();it!=mymap.end();it++)
    {   cout<<it->first<<endl;
        vector<pair<int,int>>::iterator subit;
        cout<<it->second.size()<<endl;
        for(subit=(it->second).begin();subit!=(it->second).end();++subit)
        {
            cout<<subit->first<<','<<subit->second<<";";
        }
        cout<<endl;
    }
    
}

 下面开始介绍特征词选择模块：

首先是几个辅助函数，也就是用到泛型算法中的谓词函数

bool isLonger(const  pair<string,int> &pair1, const pair<string,int>  &pair2)
{
    return pair1.second>pair2.second;
}
bool cntAssist(const  pair<string,int> &pair1)
{
    return pair1.second<=100;
}

///关键词统计以及DF法选择特征词        
void DFcharicteristicWordSelection(map<string,vector<pair<int,int>>> &mymap,int DFthreshold)
{        int finalKeyWordsCount=0;//计算共取了多少个关键词
        vector<pair<string,int> >tempvector;
        for(map<string,vector<pair<int,int>>>::iterator it=mymap.begin();it!=mymap.end();++it)
        {
            tempvector.push_back(make_pair(it->first,(it->second).size()));
        }
    
        stable_sort(tempvector.begin(),tempvector.end(),isLonger);
        ofstream outfile("F:\\keywordsinfo.txt");
        for(vector<pair<string,int> >::iterator it=tempvector.begin();it!=tempvector.end();it++)
        {   
            if(it->second>=DFthreshold)
            {
                    //outfile<<it->first<<" "<<it->second<<endl;
                outfile<<it->first<<endl;
                finalKeyWordsCount++;
                
            }
         
        }
        outfile.close();
        cout<<"最后共选择特征词"<<finalKeyWordsCount<<endl;
        cout<<"by the way,DFthreshold equals"<<DFthreshold<<endl;
            
}

 下面给出特征词文件的部分截图

有一点要提醒大家哈，特征词选择模块执行之前，要load  词袋子模型到内存哈。

下面我们开始给出建立VSM模型的代码。

建立VSM模型需要两个数据，词袋子就是前面所说的那个map,以及刚刚选出的特征词。load map的函数已经给出，下面给出load特征词集合的函数

//获取最终选取的特征词
vector<string> GetFinalKeyWords()
{
    vector<string>myKeys;
    ifstream infile("F:\\keywordsinfo.txt");
    while(!infile.eof())
    {
        string temp;
        infile>>temp;
        if(temp!="")
        {
            myKeys.push_back(temp);
        }
        
        
    }
    return myKeys;

}

方法就是：对于每一篇文章，检查我们选出的特征词集合，对于每个特征词，查map,看看里面有没有该篇文章的id出现过，以及该特征词在该篇文章中出现过几次。

 未完待续。。。