文字探勘之前處理與TF-IDF介紹

相关文章推荐

调皮的硬盘 · 现代信号与数据处理实验室- ...· 1 月前 ·

调皮的硬盘 · 国家标准|GB/T 41871-2022· 1 月前 ·

调皮的硬盘 · 文本处理——JavaScript 中的字符串· 1 月前 ·

调皮的硬盘 · 文本操作引用- Power ...· 1 月前 ·

调皮的硬盘 · 清华大学吴及--中文主页-- [12] ...· 1 月前 ·

在瞬息萬變的網路世界，如果對於這些數位內容沒有即時加以整理或蒐集，就可能錯過許多珍貴而值得關注的資料與訊息。有鑑於此，為了處理非結構化的資訊（如大量的客戶意見資料、電子郵件的內文等），透過某些統計方法和演算法（如將文字量化、轉換為有意義的數字）來進行分析，進而取得重要的參考資料或可提供決策分析的數據，此時，Text Mining便成為當今的熱門話題。

Text Mining 是以各種 Data Mining 方式來進行文件的文字資料分析，透過其分析來取得文字間的關聯性。與 Data Mining 不同之處，在於 Text Mining 是針對文字進行分析，且文字多屬半結構化或非結構資料，因此要先對文字進行前處理（Pre-Processing），並透過某些統計方法與演算法（例如：Term Frequency - Inverse Document Frequency，簡稱 TF-IDF），對文字進行分析與運用，進而取得必要的資訊，作為決策的參考依據。

前處理程序
Text Mining 的前處理程序如下：
1. Part-of-Speech Tagging：
首先進行詞性分析，包括前後詞判斷，以及同義字（Synonym）、一字多義字（Polysemy）、反義字（Antonym）、泛稱（Hypernym）、具體名稱（Hyponym）…等；而單字可能與前後文字組成單詞（例如勞「作」、「作」業、工「作」、杵「作」、「作」文、磨杵「作」針等），因此 Text Mining 需要詞庫來進行標記（Tagging）處理。

圖一泛稱與具體名稱之間的關聯（圖片取自維基百科）

2. Stemming：
透過移除單字的後綴（例如：cats、catlike、catty，皆是以cat作為基礎，fishing、fished、fisher則以fish作為基礎），將字根進行還原。
3. Feature Selection：
將擷取出來的單詞（Terms）進行過濾與篩選，首先決定保留哪些詞性的單詞（例如動詞或名詞），而後透過 TF-IDF 等統計方法或演算法，來分析單詞的頻率。

介紹 TF-IDF（Term Frequency - Inverse Document Frequency）
TF-IDF 是一種用於資訊檢索與文字探勘的常用加權技術，為一種統計方法，用來評估單詞對於文件的集合或詞庫中一份文件的重要程度，筆者在此介紹如下：
1. TF（Term Frequency）：
假設 j 是「某一特定文件」，i 是該文件中所使用單詞或單字的「其中一種」，n(i,j) 就是 i 在 j 當中的「出現次數」，那麼 tf(i,j) 的算法就是 n(i,j) / (n(1,j)+n(2,j)+n(3,j)+…+n(i,j))。例如第一篇文件中，被我們篩選出兩個重要名詞，分別為「健康」、「富有」，「健康」在該篇文件中出現 70 次，「富有」出現 30 次，那「健康」的 tf = 70 / (70+30) = 70/100 = 0.7，而「富有」的 tf = 30 / (70+30) = 30/100 = 0.3；在第二篇文件裡，同樣篩選出兩個名詞，分別為「健康」、「富有」，「健康」在該篇文件中出現 40 次，「富有」出現 60 次，那「健康」的 tf = 40 / (40+60) = 40/100 = 0.4，「富有」的 tf = 60 / (40+60) = 60/100 = 0.6，tf 值愈高，其單詞愈重要。
所以，「健康」對第一篇文件比較重要，「富有」對第二篇文件比較重要。若搜尋「健康」，那第一篇文件會在較前面的位置；而搜尋「富有」，則第二篇文章會出現在較前面的位置。

圖二 tf 的數學表達方式（圖片取自維基百科）

2. IDF（Inverse Document Frequency）：
換個角度來看，假設 D 是「所有的文件總數」，i 是網頁中所使用的單詞，t(i) 是該單詞在所有文件總數中出現的「文件數」，那麼 idf(i) 的算法就是 log ( D/t(i) ) = log D – log t(i)。例如有 100 個網頁，「健康」出現在 10 個網頁當中，而「富有」出現在 100 個網頁當中，那麼「健康」的 idf = log ( 100/10 ) = log 100 – log 10 = 2 – 1 = 1，而「富有」的 idf = log (100/100) = log 100 – 1og 100 = 2 – 2 = 0。
所以，「健康」出現的機會小，與出現機會很大的「富有」比較起來，便顯得非常重要。

圖三 idf 的數學表達方式（圖片取自維基百科）

3. 最後，將 tf(i,j) * idf(i)（例如：i =「健康」一詞）來進行計算，以某一特定文件內的高單詞頻率，乘上該單詞在文件總數中的低文件頻率，便可以產生 TF-IDF 權重值，且 TF-IDF 傾向於過濾掉常見的單詞，保留重要的單詞，如此一來，「富有」便不重要了。

1. 分析開放式調查研究的回應結果：
常見於行銷方面，其觀點在於允許回應者在不受特定面向與回應格式的侷限，來表達他們自身的觀點與意見。例如使用者在填寫問卷後，透過在單詞上的使用，來分析他們對產品或服務的評價與感受，來為其體驗上的不足、誤解以及困惑，提供建議與解答，同時分析其消費行為，進一步做到客戶分群，並擬定及提供客製化的服務給消費者。
2. 如同訊息、電子郵件等格式的自動化處理：
例如過濾客戶的意見回饋，來了解信件的內容是正面或負面的評價，或是過濾電子郵件，來了解是否為垃圾郵件，若是合法郵件，也可自動分析此信件的訴求是屬於哪個部門該處理的業務範圍。
3. 分析產品保固、保險金請求，以及診斷面談等內容：
在保固期間內，若產品有非人為因素的損壞，通常可以依保固項目來進行送件維修，送件時需要填寫一份維修單，廠商會透過使用者的口述來進行損壞原因註記，透過註記的電子化與分析，為產品日後改版或強化，提供很好的建議；在保險金請求時，保險業者會進行記錄，並將請求內容進行分析，作為日後提供保險服務的依據與參考；透過與病人會晤與交談，了解病患的需求與病癥，進而分析成有用的資訊，作為日後提供診療的參考。
4. 經由網路爬蟲（Crawler）來擷取、調查競爭對手的網站：
前往競爭對手的主要網站，來「爬」遍所有的內容，自動建立可用的單詞與文件列表，為他們所描述和強調的部分進行探勘，便能輕易地取得競爭對手有價值的商業智慧與邏輯。

現今應用 Text Mining 所創造出來的產值，已超過過去以資料庫搜尋為主的價值。在網際網路以非常快速的方式，所累積愈來愈多非結構化資料的趨勢下，實際運用 Text Mining 來探索出各種未能預見、創新、重要的資訊或知識，如商品評價、施政評價、民意調查、社群偏好等等，對政府機關、企業團體或個人而言，都是非常重要的工作，Text Mining 的相關研究和實作，已成為晚近最為熱門的話題。

TF-IDF
http://zh.wikipedia.org/wiki/TF-IDF
Text Mining (Big Data, Unstructured Data)
http://www.statsoft.com/Textbook/Text-Mining
Hyponymy and hypernymy
http://en.wikipedia.org/wiki/Hyponymy_and_hypernymy