machine-learning - sklearn TfidfVectorizer : Generate Custom NGrams by not removing stopword in them

以下是我的代码:

sklearn_tfidf = TfidfVectorizer(ngram_range= (3,3),stop_words=stopwordslist, norm='l2',min_df=0, use_idf=True, smooth_idf=False, sublinear_tf=True)
sklearn_representation = sklearn_tfidf.fit_transform(documents)

它通过删除所有停用词来生成三元组。

我想让 允许那些中间有停用词的 TRIGRAM(不是在开始和结束)

是否需要为此编写处理器。
需要建议。

最佳答案

是的，您需要提供自己的分析器功能，它将根据您的要求将文档转换为功能。

根据 the documentation :



在那个自定义的 callable 中，您需要首先将句子拆分为不同的部分，删除特殊字符，如逗号、大括号、符号等，将它们转换为小写，然后将它们转换为 n_grams 。

默认实现按以下顺序处理单个句子:

解码:根据给定编码的句子(默认 'utf-8')

预处理:将句子转换为小写

标记化:从句子中获取单个单词标记(默认正则表达式选择 2 个或更多字母数字字符的标记)

停用词移除:移除上述步骤中出现在停用词中的单个词标记

N_gram 创建:去除停用词后，将剩余的token排列在所需的n_grams中

删除太罕见或太常见的特征:删除频率高于 max_df 或低于 min_df 的词。

如果要将自定义可调用对象传递给 TfidfVectorizer 中的 analyzer 参数，则需要处理所有这些。

或

您可以扩展 TfidfVectorizer 类并且只覆盖最后两个步骤。像这样的东西:

from sklearn.feature_extraction.text import TfidfVectorizer
class NewTfidfVectorizer(TfidfVectorizer):
    def _word_ngrams(self, tokens, stop_words=None):

        # First get tokens without stop words
        tokens = super(TfidfVectorizer, self)._word_ngrams(tokens, None)
        if stop_words is not None:
            new_tokens=[]
            for token in tokens:
                split_words = token.split(' ')

                # Only check the first and last word for stop words
                if split_words[0] not in stop_words and split_words[-1] not in stop_words:
                    new_tokens.append(token)
            return new_tokens

        return tokens

然后，像这样使用它:

vectorizer = NewTfidfVectorizer(stop_words='english', ngram_range=(3,3))
vectorizer.fit(data)

关于machine-learning - sklearn TfidfVectorizer : Generate Custom NGrams by not removing stopword in them，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49746555/