文本挖掘系统 Text Mining System

系统说明

• 集成了文本过滤、去重及邮件实时通知的功能
• 集成了文本关键词提取的功能
• 集成了文本分类即打标签的功能
• 集成了文本推荐即热点评价的功能
• 支持中英文

系统架构图

关于分词

英文分词，采用nltk工具包进行分词

pip install nltk 

中文分词，采用jieba工具包进行分词

pip install jieba 

jieba分词

dict 主词典文件 
user_dict 用户词典文件，即分词白名单 

user_dict为分词白名单

• 如果添加的过滤词（包括黑名单和白名单）无法正确被jieba正确分词，则将该需要添加的单词及词频加入到主词典dict文件中或者用户词典user_dict，一行一个（词频也可省略）

关于停用词，黑名单，白名单

stopwords为停用词

• 可以随时添加停用的单词，一行一个

blackwords为过滤词黑名单

• 可以随时添加过滤的单词，一行一个

writewords为关键词白名单

• 可以随时添加关键的单词，一行一个

关于特征词

• 特征词用于分类，用于计算文本特征
• 特征词的选取可以通过该词在训练集中的词频数来确定
• 特征词的维度可以设置

关于配置

config文件：

• 可以进行服务器配置，针对数据库中制订collection的不同字段column
• 可以限定操作数据库条目的数量，默认时间从最近往前推
• 可以选择语言(中文，英文)
• 可以设置分类特征词词典的维度
• 可以设置是否接收邮件通知
• 可以设置版本加速，如果加速分类，此时会将文本特征词和分类模型固定化！因此，如果要测试分类特征词词典的维度、分类器的特征和算法，需要取消加速。

程序文件：

• 可以更改特征词典的生成，通过该词的词频数或者包含该词的文档频率
• 可以更改文本过滤及去重算法
• 可以更改关键词提取算法，可选基于特征词提取、基于Tf提取、基于IDf提取、基于TfIDf提取，可以更改前K个关键词筛选方法
• 可以更改训练集和测试集的特征生成，基于特征词，可选Bool特征、Tf特征、IDf特征(无区分)、TfIDf特征，可以选择进行特征选择或降维
• 可以更改文本分类算法，可选SVC、LinearSVC、MultinomialNB、LogisticRegression、KNeighborsClassifier、DecisionTreeClassifier，可以更改算法调参寻优的方法
• 可以更改文本推荐算法

其他说明

• 更改分词文件dict user_dict lag 需要事先手动删除datas文件夹

• 更改训练集 需要事先手动删除all_words_dict和train_datas

• 更改文件stopwords blackwords writewords fea_dict_size 重新运行程序即可

关于环境搭建

Ubuntu下numpy scipy matplotlib的安装

sudo apt-get update
sudo apt-get install git g++ gfortran
sudo apt-get install python-dev python-setuptools python-pip

sudo apt-get install libblas-dev liblapack-dev libatlas-base-dev
export BLAS=/usr/lib/libblas/libblas.so 
export LAPACK=/usr/lib/lapack/liblapack.so 
export ATLAS=/usr/lib/atlas-base/libatlas.so

sudo apt-get install python-numpy
sudo apt-get install python-scipy
sudo apt-get install python-matplotlib
或
sudo pip numpy
sudo pip scipy
sudo pip matplotlib	

sudo pip jieba
sudo pip scikit-learn
sudo pip simplejson
sudo pip pymongo