Python自然语言处理分析倚天屠龙记

最近在了解到，在机器学习中，自然语言处理是较大的一个分支。存在许多挑战。例如：如何分词，识别实体关系，实体间关系，关系网络展示等。

我用Jieba + Word2vec + NetworkX 结合在一起，做了一次自然语言分析。语料是倚天屠龙记。之前也有很多人用金庸的武侠小说做分析和处理，希望带来一些不同的地方。截几张图来看看：

所有人物的相似图连接。

关系同上。展示形式为多中心结构

以张无忌的不同身份为中心的网络关系图。

这次分析的不一样之处主要是：

1、Word2Vec的相似度结果 - 作为后期社交网络权重

2、NetworkX中分析和展示

上面两个方法结合起来，可以大幅减少日常工作中阅读文章的时间。采用机器学习，可以从头到尾半自动抽取文章中的实体信息，节约大量时间和成本。在各种工作中都有利用的场景，如果感兴趣的朋友，可以联系合作。

先来看看，用Word2Vec+NetworkX 可以发现什么。

一、分析结果

实体的不同属性（张无忌的总多马甲）

张无忌，无忌，张教主，无忌哥哥，张公子。同一个张无忌有多个身份，不同身份又和不同的人联系，有不一样的相似度。

先来看看图：

无忌哥哥是过于亲密的名字，一般不喊。好似和这个词相似度高的都是比较奇怪的角色。

无忌是关系熟了以后，平辈或者长辈可以称呼的名字。还有周姑娘，殷姑娘等

张无忌是通用的名字，人人可以称呼和马甲联系密切。

张公子是礼貌尊称。例如，黄衫女子，汝阳王等

张教主是头衔。既要尊重，也表示其实不太熟，有时还有些敌意。例如：朱元璋

注：

1、图是Networkx 基于Word2vex画出来了，上面的描述是我的人工分析。

2、赵敏不在上面的网络关系图中。Word2Vec计算出来张无忌和赵敏相似度不太高。有些出乎我的意料。仔细回忆一下，当年看此书时，突然就发现二人在一起了，显得比较突兀。推想起来，书中世界二人成婚了，如果变成现实世界，二人关系比较悬。

二、实现过程

主要步骤：

准备语料

倚天屠龙记小说的文本文件
自定义分词词典（小说中的人物名，网上有现成的，约180个）
停用词表

准备工具

Python Pandas, Numpy,Scipy(标准库）
Jieba（中文分词）
Word2vec (单词向量化工具，可以计算单词之间的详细度）
Networks（网络图工具，用于展示复杂的网络关系

数据预处理

文本文件转发成utf8(pandas)
文本文件分句，分词（Jieba)
文本文件分句，分词, 分析词性，主要是人名（Jieba)
更新自定义词典，重新分词（整个过程需要几遍，直至满意）
手工少量删除（分词出来的人名误判率不高，但是还是存在一些。例如：赵敏笑道，可以被识别的一个叫赵敏笑的人。这部分工作还需要手工做。除非有更好的分词工具，或者可以训练的分词工具，才能解决这一问题。

Word2Vec 训练模型。这个模型可以计算两个人之间的相似度

采用300个维度
过滤词频小于20次
滑动窗口为20
下采样：0.001

生成实体关系矩阵。

网上没找找到现成库，我就自己写了一个。
N*N 维度。 N是人名数量。
用上面WordVec的模型来，填充实体关系矩阵

NetworkX 生成网络图

节点是人名
边是两个节点之间的线条。也就是两个人之间的关系。

三、部分代码实现（因篇幅有限，获取完整代码请关注公众号编程狗回复 0321获取）

初始化

import numpy as np
import pandas as pd
import jieba
import jieba.posseg as posseg
%matplotlib inline

数据分词，清洗

renming_file = "yttlj_renming.csv"
jieba.load_userdict(renming_file)
stop_words_file = "stopwordshagongdakuozhan.txt"
stop_words = pd.read_csv(stop_words_file,header=None,quoting=3,sep="\t")[0].values
corpus = "yttlj.txt"
yttlj = pd.read_csv(corpus,encoding="gb18030",header=None,names=["sentence"])
def cut_join(s):
    new_s=list(jieba.cut(s,cut_all=False)) #分词
    #print(list(new_s))
    stop_words_extra =set([""])
    for seg in new_s:
        if len(seg)==1:
            #print("aa",seg)
            stop_words_extra.add(seg)
    #print(stop_words_extra)
    #print(len(set(stop_words)| stop_words_extra))
    new_s =set(new_s) -set(stop_words)-stop_words_extra
    #过滤标点符号
    #过滤停用词
    result = ",".join(new_s)
    return  result
def extract_name(s):
    new_s=posseg.cut(s) #取词性
    words=[]
    flags=[]
    for k,v in new_s:
        if len(k)>1:
            words.append(k)
            flags.append(v)
    full_wf["word"].extend(words)
    full_wf["flag"].extend(flags)
    return len(words)
def check_nshow(x):
    nshow = yttlj["sentence"].str.count(x).sum()
    #print(x, nshow)
    return nshow
# extract name & filter times
full_wf={"word":[],"flag":[]}
possible_name = yttlj["sentence"].apply(extract_name)
#tmp_w,tmp_f
df_wf = pd.DataFrame(full_wf)
df_wf_renming = df_wf[(df_wf.flag=="nr")].drop_duplicates()
df_wf_renming.to_csv("tmp_renming.csv",index=False)
df_wf_renming = pd.read_csv("tmp_renming.csv")
df_wf_renming.head()
df_wf_renming["nshow"] = df_wf_renming.word.apply(check_nshow)
df_wf_renming[df_wf_renming.nshow>20].to_csv("tmp_filtered_renming.csv",index=False)
df_wf_renming[df_wf_renming.nshow>20].shape
#手工编辑,删除少量非人名，分词错的人名
df_wf_renming=pd.read_csv("tmp_filtered_renming.csv")
my_renming = df_wf_renming.word.tolist()
external_renming = pd.read_csv(renming_file,header=None)[0].tolist()
combined_renming = set(my_renming) |set(external_renming)
pd.DataFrame(list(combined_renming)).to_csv("combined_renming.csv",header=None,index=False)
combined_renming_file ="combined_renming.csv"
jieba.load_userdict(combined_renming_file)
# tokening
yttlj["token"]=yttlj["sentence"].apply(cut_join)
yttlj["token"].to_csv("tmp_yttlj.csv",header=False,index=False)
sentences = yttlj["token"].str.split(",").tolist()

Word2Vec 向量化训练

# Set values for various parameters
num_features = 300    # Word vector dimensionality                      
min_word_count = 20   # Minimum word count                        
num_workers = 4       # Number of threads to run in parallel
context = 20          # Context window size                                                                                    
downsampling = 1e-3   # Downsample setting for frequent words
# Initialize and train the model (this will take some time)
from gensim.models import word2vec
model_file_name = 'yttlj_model.txt' 
#sentences = w2v.LineSentence('cut_jttlj.csv') 
model = word2vec.Word2Vec(sentences, workers=num_workers, \
            size=num_features, min_count = min_word_count, \
            window = context, \
            sample = downsampling
            )
model.save(model_file_name)

建立实体关系矩阵

entity = pd.read_csv(combined_renming_file,header=None,index_col=None)
entity = entity.rename(columns={0:"Name"})
entity = entity.set_index(["Name"],drop=False)
ER = pd.DataFrame(np.zeros((entity.shape[0],entity.shape[0]),dtype=np.float32),index=entity["Name"],columns=entity["Name"])
ER["tmp"] = entity.Name
def check_nshow(x):
    nshow = yttlj["sentence"].str.count(x).sum()
    #print(x, nshow)
    return nshow
ER["nshow"]=ER["tmp"].apply(check_nshow)
ER = ER.drop(["tmp"],axis=1)
count = 0
for i in entity["Name"].tolist():
    count +=1
    if count % round(entity.shape[0]/10) ==0:
        print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))
    elif count == entity.shape[0]:
        print("{0:.1f}% relationship has been checked".format(100*count/entity.shape[0]))
    for j in entity["Name"]:
        relation =0
        try:
            relation = model.wv.similarity(i,j)
            ER.loc[i,j] = relation
            if i!=j:
                ER.loc[j,i] = relation
        except:
            relation = 0
ER.to_hdf("ER.h5","ER")

NetworkX 展示人物关系图

import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
import pygraphviz
from networkx.drawing.nx_agraph import graphviz_layout

本文作者

王勇，Python中文社区专栏作者，雪球ID：快乐_爸，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产处理。MBA, PMI-PBA, PMP。

因篇幅有限，获取完整代码请关注公众号编程狗回复 0321获取