主要用于发现主题,解决词向量相近关系的表示;
将共现矩阵行(列)作为词向量,其表现形式类似于数据结构中图论里学的邻接矩阵。在本文中,笔者主要用来统计会议论文作者之间的合作关系。
【举例】:假设有四篇论文,每篇论文作者名字如下。
我们根据上述原始数据构建如下共现矩阵,由如下矩阵可以看出,Yang Liu
和Wenwu Zhu
在上述窗口中共同出现(co-occurrence)过3次,其实际含义为这两个作者进行过3次合作,共现的次数越多,我们就认为这两个人的合作关系越紧密,对应权值也就越高。同理,Yang Liu
和Hao Chen
共现过1次、Wenwu Zhu
和Hao Chen
共现过2次。
当数据规模很庞大的时候(如2000+个作者),再用矩阵的形式来表示其关系就不太合适,而对于稀疏矩阵的存储方法,可以借用数据结构中三元组的形式来存储,具体方式如下图:
而Python(其他语言也可)自带的数据结构——字典,就可以很方便的将原始数据转换成三元组形式。
原始数据按照每篇论文一作、二作依次顺序排列,两两作者之间使用逗号分隔,存储在csv文件中。
本例共有节点2958个,边6040个。
如何《将含有特殊字符的xlsx表格数据转化成utf-8编码的csv文件》请见此。
【思路】:遍历每行的作者,对于两两作者A,B以'A,B'为键,以合作频数为值。对于'B,A'形式的键需反转为'A,B'形式,最后可对字典的值进行降序排序。
注意此处读取文件的编码方式需设置为utf-8-sig
,不然得到的列表首个元素会含有\ufeff
Unicode字符,具体原因百度有。
def get_Co_authors(filePath):
'''
读取csv文件获取作者信息并存储到列表中
:param filePath: csv文件路径
:return co_authors_list: 一个包含所有作者的列表
'''
# 设置编码为utf-8-sig防止首部\ufeff的出现,它是windows系统自带的BOM,用于区分大端和小端UTF-16编码
with open(filePath, 'r', encoding='utf-8-sig') as f:
text = f.read()
co_authors_list = text.split('\n') # 分割数据中的换行符'\n'两边的数据
co_authors_list.remove('') # 删除列表结尾的空字符
return co_authors_list
最终返回两个字典:
①节点字典(包含节点名称+词频数)
②边字典(包含两两节点关系+关系频数)
构建算法如下,已写好详细注释:
def build_matrix(co_authors_list, is_reverse):
'''
根据共同作者列表,构建共现矩阵(存储到字典中),并将该字典按照权值排序
:param co_authors_list: 共同作者列表
:param is_reverse: 排序是否倒序
:return node_str: 三元组形式的节点字符串(且符合csv逗号分隔格式)
:return edge_str: 三元组形式的边字符串(且符合csv逗号分隔格式)
'''
node_dict = {} # 节点字典,包含节点名+节点权值(频数)
edge_dict = {} # 边字典,包含起点+目标点+边权值(频数)
# 第1层循环,遍历整表的每行作者信息
for row_authors in co_authors_list:
row_authors_list = row_authors.split(',') # 依据','分割每行所有作者,存储到列表中
# 第2层循环,遍历当前行所有作者中每个作者信息
for index, pre_au in enumerate(row_authors_list): # 使用enumerate()以获取遍历次数index
# 统计单个作者出现的频次
if pre_au not in node_dict:
node_dict[pre_au] = 1
else:
node_dict[pre_au] += 1
# 若遍历到倒数第一个元素,则无需记录关系,结束循环即可
if pre_au == row_authors_list[-1]:
break
connect_list = row_authors_list[index+1:]
# 第3层循环,遍历当前行该作者后面所有的合作者,以统计两两作者合作的频次
for next_au in connect_list:
A, B = pre_au, next_au
# 固定两两作者的顺序
if A > B:
A, B = B, A
key = A+','+B # 格式化为逗号分隔A,B形式,作为字典的键
# 若该关系不在字典中,则初始化为1,表示作者间的合作次数
if key not in edge_dict:
edge_dict[key] = 1
else:
edge_dict[key] += 1
# 对得到的字典按照value进行排序
node_str = sortDictValue(node_dict, is_reverse) # 节点
edge_str = sortDictValue(edge_dict, is_reverse) # 边
return node_str, edge_str
def sortDictValue(dict, is_reverse):
'''
将字典按照value排序
:param dict: 待排序的字典
:param is_reverse: 是否按照倒序排序
:return s: 符合csv逗号分隔格式的字符串
'''
# 对字典的值进行倒序排序,items()将字典的每个键值对转化为一个元组,key输入的是函数,item[1]表示元组的第二个元素,reverse为真表示倒序
tups = sorted(dict.items(), key=lambda item: item[1], reverse=is_reverse)
s = ''
for tup in tups: # 合并成csv需要的逗号分隔格式
s = s + tup[0] + ',' + str(tup[1]) + '\n'
return s
本算法共使用3次for循环,时间复杂度为O(n³)
,共用时0.63
秒。
执行结果如下:
def str2csv(filePath, s):
'''
将字符串写入到本地csv文件中
:param filePath: csv文件路径
:param s: 待写入字符串(逗号分隔格式)
'''
with open(filePath, 'w', encoding='utf-8') as f:
f.write(s)
print('写入文件成功,请在'+filePath+'中查看')
结果如下:
【对应我的博客】:https://blog.csdn.net/SL_World/article/details/89034995