Weka学习 -- StringToWordVector 源码学习（1）

时间：2014-07-22 23:58:49 阅读：640 评论：0 收藏：0 [点我收藏+]

代码整个执行流程

参数设置
input数据，设置数据格式
batchFinished()，处理数据（Tokenzier，Stemming，Stopwords）
determineDictionary(); 统计计算（TF，IDF）
归一化
output

一些变量和方法的作用

m_Dictionary , m_DocsCounts 变量与 m_OutputCounts变量意义

public TreeMap m_Dictionary = new TreeMap(); //TreeMap类型成员变量m_Dictionary 记录<word,新属性index>对；具体类型为TreeMap<String,Integer>, 每一个String 的word所映射的index。

private int[] m_DocsCounts ; // 计算每个单词在多少个文档中出现过，保存在这个数组。数组index是word对应映射的index（与m_Dictionary对应）。

private boolean m_OutputCounts = false; //控制m_Dictionary 中的Integer是输出0/1(表示单词是否在文档中出现），还是count单词在文档中出现的次数。一般要将它设置为true。

m_minTermFreq 和 m_WordsToKeep

根据最小词频数（m_minTermFreq）和每个类最多保留单词数(m_WordsToKeep)过滤单词；另一种过滤单词的方法是通过stopwordlist，见下面。

内部类Count 类及变量的意义

里有两个变量public int count, docCount;，count是word在一个文档中出现的次数，docCount指的是这个word在几个文档中出现过。

定义这个内部类及变量计算中间量，主要是为了计算TF*IDF方便。

修改具体的TF*IDF公式：

在函数convertInstancewoDocNorm里面如下的两段代码中修改即可。

// Doing TFTransform

if (m_TFTransform == true) {

.....//在这里修改，源代码为 tf(t,d)= log( f(t,d) +1 ).加一是为了防止tf(t,d)=0

}

// Doing IDFTransform

if (m_IDFTransform == true) {

.....//在这里修改, 源代码是让idf(t,D)= log( |D| / |{d \in D : t\ind}| ). D表示所有的文档集。log(value)中的value肯定大于等于1 //当然这里需保证分母不为0，即word至少在一个文档中出现过，否则可idf(t,D)= log( |D| / |{d \in D : t\ind}|+1 ).

....// 源代码直接让val (t,d)= tf(t,d) * log( |D| / |{d \in D : t\ind}| )

}

注意1：这里还有一个boolean变量m_OutputCounts，若要用TFIDF公式必须将m_OutputCounts设置为TRUE. 同时，m_TFTransform 和m_IDFTransform 一般只设置其中一个为true，否则的话就是两个log相乘。当然也可以根据需要具体修改（TFIDF具体信息wiki即可）

经典的TF*IDF设置：设置变量m_IDFTransform为真，更新更新contained中Key大于等于firstCopy的值为val=val*Math.log( m_NumInstances /

(double) m_DocsCounts[index.intValue()] )，也即把原先记录的词频fij变成fij*log（文档数/该单词在多少个文档中出现过），就是我们用的TF-IDF。注意如果要达到这个效果只有把m_IDFTransform 以及m_OutputCounts同时设置成true，并保持m_TFTransform为false（否则的话就是两个log相乘了）。

注意2： TFIDF没有体现单词位置信息，如在一段文字中，处在首句的在一篇文章中，处在首段和末段的段落比较重要。在实际应用中，可以根据不同的位置设置相应的权重。

Normalization

对词频或TFIDF进行归一化，主要是为了消除不同文本长度的影响。归一化主要针对TF(t,d_单词频率（单词t在文档d中出现的次数）的来进行归一化。常用方法：

方法1：TF(t,d)= （单词t在文档d中出现的次数）/ (文档d中的总单词数)；

方法2： TF(t,d)=（单词t在文档d中出现的次数）/ (在文档d中出现次数最多的词的出现次数)。

方法3（Weka采用）： TFIDF(t,d) ，即 value = value * m_AvgDocLength / docLength(d).注意这里的value是经过m_TFTransform 和m_TFTransform 作用过的值（如果设置为true的话，具体看代码就可以知道）。

当然我们也可以修改StringToWordVector代码，使其支持前两种归一化的方法。下面说下Weka中相关设置方法：

方法1：通过set方法设置

filter.setNormalizeDocLength(new SelectedTag(StringToWordVector.FILTER_NORMALIZE_ALL, StringToWordVector.TAGS_FILTER)); //FILTER_NORMALIZE_ALL 可以换位 FILTER_NORMALIZE_TEST_ONLY 或 FILTER_NONE

方法2：通过参数字符串设置:

String optionStr="-R first-last -W 1000 -prune-rate -1.0 -C -I -N 1"; //-N 1 表示采用FILTER_NORMALIZE_ALL=1 归一化方法。

filter.setOptions(Utils.splitOptions(optionStr));

注意：StringToWordVector类中到是没有FILTER_NORMALIZE_TEST_ONLY 这个变量的具体应用，不知为什么，感觉也没必要。

Tokenzier

StringToWordVector中，默认的tokenzier。 -tokenizer weka.core.tokenizers.WordTokenizer -delimiters " \r\n\t.,;:\‘\"()?!"

Tokenzier的作用就是对于一个长的String，遍历扫描一遍，按那些字符进行切分。若需要按句子为单位进行切分，可以新建新的Tokenzier，选择- delimiters 为". ! \n ? "或中文句子结束符号“。！？”等

Stemmer

In linguistic morphology and information retrieval, stemming is the process for reducing inflected (or sometimes derived) words to their stem, base or rootform—generally a written word form. 如能将cats，catlike，catty等word都转化为词根cat。

这个Stemmmer更像是中文的同义词转换，同一个此类的词包。

StringToWordVector里面的Stemmer主要有两种LovinsStemmer （writeren by Lovins 1968）和 SnowballStemmer（Written by Martin Porter1980，extend at 2000，建议用这个，但不可直接使用，需要下载包。）两类。这Weka里面自带的Stemmer都是针对英语语言的，自己可以根据需要进行更改。此外还有PTStemmer等，下载相应的jar包都可以使用。具体使用参考http://weka.wikispaces.com/Stemmers

常用的Stemming算法：

LookUp算法： 最简单的算法，建一个lookup table，如 cats -> cat. 若查询的词是cats则返回cat。特点：简单易用，但table表量比较大。

如何创建LookUp table： ①对于英语而言可以用构词法简单生成look up table，如将root word “run” 生成“runs，running，runned，runnly，然后查询词典，将其中invalid derived words 去掉。②对于汉语的话，就相当于把同义词转换为同一个词？这样也不太好，应该是把类型”吃了吗”，“吃饭了吗”，“吃饭了没”转化为同一个词。

Affix算法： ①Suffix-stripping 算法：根据单词的时态规则将是时态词转换为词根。如将以ed，ing，ly结尾的词去掉其后缀，生成词根。动词的时态大部分有规则，一部分没规则，对于没规则的可以建一个lookup表。二者相结合。

当然还有其他Hybird算法和Multilingual 多语言算法。

对于Stemming也会存在UnderStemming 和 OverStemming两个问题，用时注意。

参考资料：

http://en.wikipedia.org/wiki/Stemming (recommending)

http://weka.wikispaces.com/Stemmers

StopWords

这一个过程最好IKAnalyzer分词阶段就过滤掉。当然对于派生词或中午近义词等，在这里进行过滤会stoplist会更短一点（因为word已经经过Stemming了）。

StringToWordVector默认不采用任何停止词。
设置采用默认停止词rainbow（英文）m_useStoplist。

当然你可以通过设置变量private boolean m_useStoplist; 等于true（filter.setUseStoplist(true);），采用Weka自带的默认停止词weka.core.StopWords（英文）。

停止词rainbow列表： http://www.cs.cmu.edu/~mccallum/bow/rainbow/可参考，也可以在程序里面查看StopWords的 public Stopwords()方法。

自定义停止词。覆盖默认停止词File m_Stopwords

通过StringToWordVector.setStopwords(new File(stopwordfile));方法可以设置自定义的停止词，同时默认的停止词不在生效。（知道这种效果就先用着，具体实现代码待细看^_^）

Tokenizer、Stemming与 Stopwords的顺序：

（从determineDictionary()函数可以看出来）

首先Tokenizer，根据单词分割符取出word。若默认的 WordTokenizer 采用" \r\n\t.,;:\‘\"()?!" 等英文分割符。这一部会把"boy."等后面的‘.‘句号或感叹号等都去掉。也可弥补IKAnalyzer中文分词不足。
然后Stemming，取出词根。
最后在轮到Stopwords。stopwords.is(word)做词根word在stopword的list中，则取出。应该不会对此单词进行map映射和在vector出现。filter.setStopwords(new File(stopwordfile)); 这样设置一下，就可以将stopwordfile中的word（一行一个）当成stopword啦。

SparseInstance

Sparse ARFF files are very similar to ARFF files, but data with value 0 are not be explicitly represented（but这句话的意思就是值为0的属性并不显示）.

举个例子StringToWordVector生成下面这个实例集，其中index为0（第一个属性）为class属性（类别在第一列）。：

{1 1,2 2,3 3,4 1,5 1,6 1,7 1}

{0 class2,8 1,9 1,10 1,11 1,12 1}

{0 class3,2 2,3 3,6 1,7 1,13 1}

对于第1个实例（第一行）由于第一个类的名称不是class1，而是默认生产值0，即 0 class1 生成了0 0，所以不显示。下面的‘1 1’ 表示第2个字段的值为1； ‘2 2’ 表示第3个属性字段的值为3. 哈哈明白了吗。

这里若一个属性的值是未知的missing。则应该表示为?。如3 ?. Note that the omitted values in a sparse instance are 0, they are not "missing" values! If a value is unknown, you must explicitly represent it with a question mark (?).

在Weka里面，所有的string和nominal属性的数据值都会映射为数值，这样做主要是为了计算的高效性。都会把第一个string或nominal的值存储为0。 SparseInstances这里这样表示并不是一个bug，可以视为一个‘display’bug。你保存arff数据会发现和你读取的数据是一样的。

官方介绍：

http://weka.wikispaces.com/ARFF+%28book+version%29#Sparse ARFF files

引用参考文献：

http://quweiprotoss.blog.163.com/blog/static/40882883201103051150347/