文本挖掘是從文本數(shù)據(jù)中獲得價值信息的方法，涵蓋多個學(xué)科，也有多種用途。本文介紹了文本挖掘的主要作用、基本操作步驟以及操作工具。

一、什么是文本挖掘

文本挖掘指的是從文本數(shù)據(jù)中獲取有價值的信息和知識，它是數(shù)據(jù)挖掘中的一種方法。文本挖掘中最重要最基本的應(yīng)用是實現(xiàn)文本的分類和聚類，前者是有監(jiān)督的挖掘算法，后者是無監(jiān)督的挖掘算法。

文本挖掘是一個多學(xué)科混雜的領(lǐng)域，涵蓋了多種技術(shù)，包括數(shù)據(jù)挖掘技術(shù)、信息抽取、信息檢索，機器學(xué)習(xí)、自然語言處理、計算語言學(xué)、統(tǒng)計數(shù)據(jù)分析、線性幾何、概率理論甚至還有圖論。

二、文本挖掘有什么用

1、文本分類

文本分類是一種典型的機器學(xué)習(xí)方法，一般分為訓(xùn)練和分類兩個階段。文本分類一般采用統(tǒng)計方法或機器學(xué)習(xí)來實現(xiàn)。

2、文本聚類

文本聚類是一種典型的無監(jiān)督式機器學(xué)習(xí)方法，聚類方法的選擇取決于數(shù)據(jù)類型。

首先，文檔聚類可以發(fā)現(xiàn)與某文檔相似的一批文檔，幫助知識工作者發(fā)現(xiàn)相關(guān)知識;其次，文檔聚類可以將一類文檔聚類成若干個類，提供一種組織文檔集合的方法;再次，文檔聚類還可以生成分類器以對文檔進(jìn)行分類。

文本挖掘中的聚類可用于：提供大規(guī)模文檔內(nèi)容總括;識別隱藏的文檔間的相似度;減輕瀏覽相關(guān)、相似信息的過程。

3、信息檢索

主要是利用計算機系統(tǒng)的快速計算能力，從海量文檔中尋找用戶需要的相關(guān)文檔。

4、信息抽取

信息抽取是把文本里包含的信息進(jìn)行結(jié)構(gòu)化處理，變成表格一樣的組織形式。輸入信息抽取系統(tǒng)的是原始文本，輸出的是固定格式的信息。

5、自動文摘

利用計算機自動的從原始文檔中提取出文檔的主要內(nèi)容。互聯(lián)網(wǎng)上的文本信息、機構(gòu)內(nèi)部的文檔及數(shù)據(jù)庫的內(nèi)容都在成指數(shù)級的速度增長，用戶在檢索信息的時候，可以得到成千上萬篇的返回結(jié)果，其中許多是與其信息需求無關(guān)或關(guān)系不大的，如果要剔除這些文檔，則必須閱讀完全文，這要求用戶付出很多勞動，而且效果不好。

自動文摘能夠生成簡短的關(guān)于文檔內(nèi)容的指示性信息，將文檔的主要內(nèi)容呈現(xiàn)給用戶，以決定是否要閱讀文檔的原文，這樣能夠節(jié)省大量的瀏覽時間。簡單地說自動文摘就是利用計算機自動地從原始文檔中提取全面準(zhǔn)確地反映該文檔中心內(nèi)容的簡單連貫的短文。

自動文摘具有以下特點：

(1)自動文摘應(yīng)能將原文的主題思想或中心內(nèi)容自動提取出來。

(2)文摘應(yīng)具有概況性、客觀性、可理解性和可讀性。

(3)可適用于任意領(lǐng)域。

按照生成文摘的句子來源，自動文摘方法可以分成兩類，一類是完全使用原文中的句子來生成文摘，另一類是可以自動生成句子來表達(dá)文檔的內(nèi)容。后者的功能更強大，但在實現(xiàn)的時候，自動生成句子是一個比較復(fù)雜的問題，經(jīng)常出現(xiàn)產(chǎn)生的新句子不能被理解的情況，因此目前大多用的是抽取生成法。

6、自動問答

自動問答是指對于用戶提出的問題，計算機可以自動的從相關(guān)資料中求解答案并作出相應(yīng)的回答。自動問答系統(tǒng)一般包括 3 個組成部分：問題分析、信息檢索和答案抽取。

7、機器翻譯

利用計算機將一種源語言轉(zhuǎn)變?yōu)榱硪环N源語言的過程。

8、信息過濾

指計算機系統(tǒng)可以自動的進(jìn)行過濾操作，將滿足條件的信息保留，將不滿足條件的文檔過濾掉。信息過濾技術(shù)主要用于信息安全領(lǐng)域。

9、自動語音識別

自動語音識別就是將輸入計算機的自然語言轉(zhuǎn)換成文本表示的書面語。

三、文本挖掘操作步驟

1、獲取文本

現(xiàn)有文本數(shù)據(jù)導(dǎo)入，或者通過如網(wǎng)絡(luò)爬蟲等技術(shù)獲取網(wǎng)絡(luò)文本，主要是獲取網(wǎng)頁HTML的形式。我們要把網(wǎng)絡(luò)中的文本獲取文本數(shù)據(jù)庫(數(shù)據(jù)集)。編寫爬蟲程序，抓取到網(wǎng)絡(luò)中的信息。

2、文本預(yù)處理

指剔除噪聲文檔以改進(jìn)挖掘精度，或者在文檔數(shù)量過多時僅選取一部分樣本以提高挖掘效率。

例如網(wǎng)頁中存在很多不必要的信息，比如說一些廣告，導(dǎo)航欄，html、js代碼，注釋等等并不需要的信息，可以刪除掉。如果是需要正文提取，可以利用標(biāo)簽用途、標(biāo)簽密度判定、數(shù)據(jù)挖掘思想、視覺網(wǎng)頁塊分析技術(shù)等等策略抽取出正文。

3、文本的語言學(xué)處理

(1)分詞

經(jīng)過上面的步驟，我們會得到比較干凈的素材。文本中起到關(guān)鍵作用的是一些詞，甚至主要詞就能起到?jīng)Q定文本取向。比如說一篇文章講的是政治還是經(jīng)濟，肯定是對文章中的中心詞進(jìn)行分析得到的結(jié)果。 所以接下來的步驟就是分詞。

分詞就是將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過程。我們知道，在英文的行文中，單詞之間是以空格作為自然分界符的，而中文只是字、句和段能通過明顯的分界符來簡單劃界，唯獨詞沒有一個形式上的分界符，雖然英文也同樣存在短語的劃分問題，不過在詞這一層上，中文比之英文要復(fù)雜得多、困難得多。

現(xiàn)在針對中文分詞，出現(xiàn)了很多分詞的算法，有最大匹配法、最優(yōu)匹配法、機械匹配法、逆向匹配法、雙向匹配法等等。

(2)詞性標(biāo)注

同時也可以使用詞性標(biāo)注。通過很多分詞工具分出來的出會出現(xiàn)一個詞，外加該詞的詞性。比如說啊是語氣助詞。

(3)去除停用詞

比如說句號、是、的等詞，沒有什么實際的意義。然而這些詞在所有的文章中都大量存在，并不能反應(yīng)出文本的意思，可以處理掉。當(dāng)然針對不同的應(yīng)用還有很多其他詞性也是可以去掉的，比如形容詞等。

4、文本的數(shù)學(xué)處理-特征提取

我們希望獲取到的詞匯，既能保留文本的信息，同時又能反映它們的相對重要性。如果對所有詞語都保留，維度會特別高，矩陣將會變得特別稀疏，嚴(yán)重影響到挖掘結(jié)果。所以這就需要特征提取。

特征選取的方式有4種：

(1)用映射或變換的方法把原始特征變換為較少的新特征;

(2)從原始特征中挑選出一些最具代表性的特征;

(3)根據(jù)專家的知識挑選最有影響的特征;

(4)用數(shù)學(xué)的方法進(jìn)行選取，找出最具分類信息的特征，這種方法是一種比較精確的方法，人為因素的干擾較少，尤其適合于文本自動分類挖掘系統(tǒng)的應(yīng)用。

5、分類聚類

經(jīng)過上面的步驟之后，我們就可以把文本集轉(zhuǎn)化成一個矩陣。我們能夠利用各種算法進(jìn)行挖掘，比如說如果要對文本集進(jìn)行分類，分類常用的方法有：簡單貝葉斯分類法，矩陣變換法、K-最近鄰參照分類算法以及支持向量機分類方法等。

聚類方法通常有：層次聚類法、平面劃分法、簡單貝葉斯聚類法、K-最近鄰聚類法、分級聚類法等。

6、數(shù)據(jù)可視化

最后一步當(dāng)然就是數(shù)據(jù)結(jié)構(gòu)的可視化展示，通過合適的可視化圖形生動形象展示，讓讀者聽眾更容易理解你所要表達(dá)的信息。

文本可視化最常用的圖形就是詞云。

四、文本挖掘工具

1、python語言jieba、gensim、sklearn、WordCloud和matplotlib包

2、R語言jieba、tm、tmcn、Rwordseg和wordcloud包

3、SAS text miner

4、SPSS Text Mining