目的
給定一個或多個搜索詞，如“高血壓 患者”，從已有的若干篇文本中找出最相關(guān)的(n篇)文本。
理論知識
文本檢索（text retrieve）的常用策略是：用一個ranking function根據(jù)搜索詞對所有文本進行排序，選取前n個，就像百度搜索一樣。
顯然，ranking function是決定檢索效果最重要的因素，本文選用了在實際應(yīng)用中效果很好的BM25。BM25其實只用到了一些基礎(chǔ)的統(tǒng)計和文本處理的方法，沒有很高深的算法。
BM25
上圖是BM25的公式，對于一個搜索q和所有文本，計算每一篇文本d的權(quán)重。整個公式其實是TF-IDF的改進：
- 第一項c(w,q)就是搜索q中詞w的詞頻
- 第三項是詞w的逆文檔頻率，M是所有文本的個數(shù)，df(w)是出現(xiàn)詞w的文本個數(shù)
- 中間的第二項是關(guān)鍵，實質(zhì)是詞w的TF值的變換，c(w,d)是詞w在文本d中的詞頻。首先是一個TF Transformation，目的是防止某個詞的詞頻過大，經(jīng)過下圖中公式的約束，詞頻的上限為k+1，不會無限制的增長。例如，一個詞在文本中的詞頻無論是50還是100，都說明文本與這個詞有關(guān)，但相關(guān)度不可能是兩倍關(guān)系。
TF Transformation - 上圖的公式分母中的k還乘了一個系數(shù)，目的是歸一化文本長度。歸一化公式中，b是[0,1]之間的常數(shù)，avdl是平均文本長度，d是文本d的長度。顯然，d比平均值大，則normalizer大于1，代入BM25最終的權(quán)重變小，反之亦然。
length normalization
python實現(xiàn)
下面通過一個例子來實現(xiàn)根據(jù)BM25來進行文本檢索?，F(xiàn)在從網(wǎng)上爬下來了幾十篇健康相關(guān)的文章，部分如下圖所示。模擬輸入搜索詞，如“高血壓 患者 藥物”，搜素最相關(guān)的文章。
文本列表
python的實現(xiàn)用到了gensim庫，其中的BM25實現(xiàn)的源碼如下：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
#
# Licensed under the GNU LGPL v2.1 - http://www.gnu.org/licenses/lgpl.html
import math
from six import iteritems
from six.moves import xrange
# BM25 parameters.
PARAM_K1 = 1.5
PARAM_B = 0.75
EPSILON = 0.25
class BM25(object):
def __init__(self, corpus):
self.corpus_size = len(corpus)
self.avgdl = sum(map(lambda x: float(len(x)), corpus)) / self.corpus_size
self.corpus = corpus
self.f = []
self.df = {}
self.idf = {}
self.initialize()
def initialize(self):
for document in self.corpus:
frequencies = {}
for word in document:
if word not in frequencies:
frequencies[word] = 0
frequencies[word] += 1
self.f.append(frequencies)
for word, freq in iteritems(frequencies):
if word not in self.df:
self.df[word] = 0
self.df[word] += 1
for word, freq in iteritems(self.df):
self.idf[word] = math.log(self.corpus_size - freq + 0.5) - math.log(freq + 0.5)
def get_score(self, document, index, average_idf):
score = 0
for word in document:
if word not in self.f[index]:
continue
idf = self.idf[word] if self.idf[word] >= 0 else EPSILON * average_idf
score += (idf * self.f[index][word] * (PARAM_K1 + 1)
/ (self.f[index][word] + PARAM_K1 * (1 - PARAM_B + PARAM_B * self.corpus_size / self.avgdl)))
return score
def get_scores(self, document, average_idf):
scores = []
for index in xrange(self.corpus_size):
score = self.get_score(document, index, average_idf)
scores.append(score)
return scores
def get_bm25_weights(corpus):
bm25 = BM25(corpus)
average_idf = sum(map(lambda k: float(bm25.idf[k]), bm25.idf.keys())) / len(bm25.idf.keys())
weights = []
for doc in corpus:
scores = bm25.get_scores(doc, average_idf)
weights.append(scores)
return weights
gensim中代碼寫得很清楚，我們可以直接利用。
import jieba.posseg as pseg
import codecs
from gensim import corpora
from gensim.summarization import bm25
import os
import re
構(gòu)建停用詞表
stop_words = '/Users/yiiyuanliu/Desktop/nlp/demo/stop_words.txt'
stopwords = codecs.open(stop_words,'r',encoding='utf8').readlines()
stopwords = [ w.strip() for w in stopwords ]
結(jié)巴分詞后的停用詞性 [標(biāo)點符號、連詞、助詞、副詞、介詞、時語素、‘的’、數(shù)詞、方位詞、代詞]
stop_flag = ['x', 'c', 'u','d', 'p', 't', 'uj', 'm', 'f', 'r']
對一篇文章分詞、去停用詞
def tokenization(filename):
result = []
with open(filename, 'r') as f:
text = f.read()
words = pseg.cut(text)
for word, flag in words:
if flag not in stop_flag and word not in stopwords:
result.append(word)
return result
對目錄下的所有文本進行預(yù)處理，構(gòu)建字典
corpus = [];
dirname = '/Users/yiiyuanliu/Desktop/nlp/demo/articles'
filenames = []
for root,dirs,files in os.walk(dirname):
for f in files:
if re.match(ur'[\u4e00-\u9fa5]*.txt', f.decode('utf-8')):
corpus.append(tokenization(f))
filenames.append(f)
dictionary = corpora.Dictionary(corpus)
print len(dictionary)
Building prefix dict from the default dictionary ...
Loading model from cache /var/folders/1q/5404x10d3k76q2wqys68pzkh0000gn/T/jieba.cache
Loading model cost 0.328 seconds.
Prefix dict has been built succesfully.
2552
建立詞袋模型
打印了第一篇文本按詞頻排序的前5個詞
doc_vectors = [dictionary.doc2bow(text) for text in corpus]
vec1 = doc_vectors[0]
vec1_sorted = sorted(vec1, key=lambda (x,y) : y, reverse=True)
print len(vec1_sorted)
for term, freq in vec1_sorted[:5]:
print dictionary[term]
76
高血壓
患者
藥物
血壓
治療
用gensim建立BM25模型
bm25Model = bm25.BM25(corpus)
根據(jù)gensim源碼，計算平均逆文檔頻率
average_idf = sum(map(lambda k: float(bm25Model.idf[k]), bm25Model.idf.keys())) / len(bm25Model.idf.keys())
假設(shè)用戶輸入了搜索詞“高血壓 患者 藥物”，利用BM25模型計算所有文本與搜索詞的相關(guān)性
query_str = '高血壓 患者 藥物'
query = []
for word in query_str.strip().split():
query.append(word.decode('utf-8'))
scores = bm25Model.get_scores(query,average_idf)
# scores.sort(reverse=True)
print scores
[4.722034069722618, 4.5579610648148625, 2.859958016641194, 3.388613898734133, 4.6281563584251995, 4.730042214103296, 1.447106736835707, 2.595169814422283, 2.894213473671414, 2.952010252059601, 3.987044912721877, 2.426869660460219, 1.1583806884161147, 0, 3.242214688067997, 3.6729065940310752, 3.025338037306947, 1.57823130047124, 2.6054874252518214, 3.4606547596124635, 1.1583806884161147, 2.412854586446401, 1.7354863870557247, 1.447106736835707, 3.571235274862516, 2.6054874252518214, 2.695780408029825, 2.3167613768322295, 4.0309963518837595, 0, 2.894213473671414, 3.306255023356817, 3.587349029341776, 3.4401107112269824, 3.983307351035947, 0, 4.508767501123564, 3.6289862140766926, 3.6253442838304633, 4.248297326100691, 3.025338037306947, 3.602635199166345, 3.4960329155028464, 3.3547048399034876, 1.57823130047124, 4.148340973502125, 1.1583806884161147]
idx = scores.index(max(scores))
print idx
5
找到最相關(guān)的文本
fname = filenames[idx]
print fname
關(guān)于降壓藥的五個問題.txt
with open(fname,'r') as f:
print f.read()
高血壓的重要治療方式之一，就是口服降壓藥。對于不少剛剛被確診的“高血壓新手”來說，下面這些關(guān)于用藥的事情，是必須知道的。
1. 貴的藥，真的比便宜的藥好用嗎？
事實上，降壓藥物的化學(xué)機構(gòu)和作用機制不一樣。每一種降壓藥，其降壓機理和適應(yīng)人群都不一樣。只要適合自己的病情和身體狀況，就是好藥。因此，不存在“貴重降壓藥一定比便宜的降壓藥好使”這一說法。
2. 能不吃藥就不吃藥，靠身體調(diào)節(jié)血壓，這種想法對嗎？
這種想法很幼稚。其實，高血壓是典型的，應(yīng)該盡早服藥的疾病。如果服藥太遲，高血壓對重要臟器持續(xù)形成傷害，會讓我們的身體受很大打擊。所以，高血壓患者盡早服藥，是對身體的最好的保護。
3. 降壓藥是不是得吃一輩子？
對于這個問題，中醫(yī)和西醫(yī)有著不同的認(rèn)識。西醫(yī)認(rèn)為，降壓藥服用之后不應(yīng)該停用，以免血壓形成波動，造成對身體的進一步傷害。中醫(yī)則認(rèn)為，通過適當(dāng)?shù)倪\動和飲食調(diào)節(jié)，早期的部分高血壓患者，可以在服藥之后的某段時間里停藥。總之，處理這一問題的時候，我們還是要根據(jù)自己的情況而定。對于高血壓前期，或者輕度高血壓的人來說，在生活方式調(diào)節(jié)能夠讓血壓穩(wěn)定的情況下，可以考慮停藥，采取非藥物療法。對于中度或者重度的高血壓患者來說，就不能這么做了。
4. 降壓藥是不是要早晨服用？
一般來說，長效的降壓藥物，都是在早晨服用的。但是，我們也可以根據(jù)高血壓患者的波動情況，適當(dāng)改變服藥時間。
5. 降壓藥是不是一旦服用就不能輕易更換？
高血壓病人一旦服用了某種降壓藥物，就不要輕易更換。只要能維持血壓在正常范圍而且穩(wěn)定，就不用換藥。只有在原有藥物不能起到控制作用的時候，再考慮更換服藥方案。對于新發(fā)高血壓病人來說，長效降壓藥若要達(dá)到穩(wěn)定的降壓效果，往往需要4到6周或者更長時間。如果經(jīng)過4到6周也實現(xiàn)不了好的控制效果，可以考慮加第二種藥物來聯(lián)合降壓，不必盲目換藥。
