問題は、使用しようとしている方法にありますapply_freq_filter。単語のコロケーションについて議論しています。ご存じのとおり、単語のコロケーションは単語間の依存関係に関するものです。クラスは という名前のBigramCollocationFinderクラスから継承しAbstractCollocationFinder、関数apply_freq_filterはこのクラスに属します。apply_freq_filter一部の単語のコロケーションを完全に削除することは想定されていませんが、他の関数がリストにアクセスしようとした場合にフィルター処理されたコロケーションのリストを提供します。
それはなぜですか？コロケーションのフィルタリングが単にそれらを削除するだけである場合、ランダムな位置から単語を削除した後、適切に機能しない尤度比や PMI 自体 (コーパス内の他の単語に対する単語の確率を計算する) など、多くの確率尺度が存在することを想像してください。指定されたコーパスで。指定された単語のリストからいくつかのコロケーションを削除すると、多くの潜在的な機能と計算が無効になります。また、削除前にこれらすべての測定値を計算すると、ユーザーが最終的に必要としない膨大な計算オーバーヘッドが発生します。
さて、問題は ? を正しく使用する方法apply_freq_filter functionです。いくつかの方法があります。以下に、問題とその解決策を示します。
サンプルのコーパスを定義し、これまでに行ったことと同様の単語のリストに分割しましょう。
tweet_phrases = "I love iphone . I am so in love with iphone . iphone is great . samsung is great . iphone sucks. I really really love iphone cases. samsung can never beat iphone . samsung is better than apple"
from nltk.collocations import *
import nltk
実験のために、ウィンドウ サイズを 3 に設定しました。
finder = BigramCollocationFinder.from_words(tweet_phrases.split(), window_size = 3)
finder1 = BigramCollocationFinder.from_words(tweet_phrases.split(), window_size = 3)
比較のために、次のフィルターのみを使用していることに注意してくださいfinder1。
finder1.apply_freq_filter(2)
bigram_measures = nltk.collocations.BigramAssocMeasures()
今私が書くと：
for k,v in finder.ngram_fd.items():
print(k,v)
出力は次のとおりです。
(('.', 'is'), 3)
(('iphone', '.'), 3)
(('love', 'iphone'), 3)
(('.', 'iphone'), 2)
(('.', 'samsung'), 2)
(('great', '.'), 2)
(('iphone', 'I'), 2)
(('iphone', 'samsung'), 2)
(('is', '.'), 2)
(('is', 'great'), 2)
(('samsung', 'is'), 2)
(('.', 'I'), 1)
(('.', 'am'), 1)
(('.', 'sucks.'), 1)
(('I', 'am'), 1)
(('I', 'iphone'), 1)
(('I', 'love'), 1)
(('I', 'really'), 1)
(('I', 'so'), 1)
(('am', 'in'), 1)
(('am', 'so'), 1)
(('beat', '.'), 1)
(('beat', 'iphone'), 1)
(('better', 'apple'), 1)
(('better', 'than'), 1)
(('can', 'beat'), 1)
(('can', 'never'), 1)
(('cases.', 'can'), 1)
(('cases.', 'samsung'), 1)
(('great', 'iphone'), 1)
(('great', 'samsung'), 1)
(('in', 'love'), 1)
(('in', 'with'), 1)
(('iphone', 'cases.'), 1)
(('iphone', 'great'), 1)
(('iphone', 'is'), 1)
(('iphone', 'sucks.'), 1)
(('is', 'better'), 1)
(('is', 'than'), 1)
(('love', '.'), 1)
(('love', 'cases.'), 1)
(('love', 'with'), 1)
(('never', 'beat'), 1)
(('never', 'iphone'), 1)
(('really', 'iphone'), 1)
(('really', 'love'), 1)
(('samsung', 'better'), 1)
(('samsung', 'can'), 1)
(('samsung', 'great'), 1)
(('samsung', 'never'), 1)
(('so', 'in'), 1)
(('so', 'love'), 1)
(('sucks.', 'I'), 1)
(('sucks.', 'really'), 1)
(('than', 'apple'), 1)
(('with', '.'), 1)
(('with', 'iphone'), 1)
に同じように書いても同じ結果になりfinder1ます。そのため、一見するとフィルターは機能しません。ただし、それがどのように機能したかを確認してください。秘訣は を使用することscore_ngramsです。
score_ngramsonを使用するとfinder、次のようになります。
finder.score_ngrams (bigram_measures.pmi)
出力は次のとおりです。
[(('am', 'in'), 5.285402218862249), (('am', 'so'), 5.285402218862249), (('better', 'apple'), 5.285402218862249), (('better', 'than'), 5.285402218862249), (('can', 'beat'), 5.285402218862249), (('can', 'never'), 5.285402218862249), (('cases.', 'can'), 5.285402218862249), (('in', 'with'), 5.285402218862249), (('never', 'beat'), 5.285402218862249), (('so', 'in'), 5.285402218862249), (('than', 'apple'), 5.285402218862249), (('sucks.', 'really'), 4.285402218862249), (('is', 'great'), 3.7004397181410926), (('I', 'am'), 3.7004397181410926), (('I', 'so'), 3.7004397181410926), (('cases.', 'samsung'), 3.7004397181410926), (('in', 'love'), 3.7004397181410926), (('is', 'better'), 3.7004397181410926), (('is', 'than'), 3.7004397181410926), (('love', 'cases.'), 3.7004397181410926), (('love', 'with'), 3.7004397181410926), (('samsung', 'better'), 3.7004397181410926), (('samsung', 'can'), 3.7004397181410926), (('samsung', 'never'), 3.7004397181410926), (('so', 'love'), 3.7004397181410926), (('sucks.', 'I'), 3.7004397181410926), (('samsung', 'is'), 3.115477217419936), (('.', 'am'), 2.9634741239748865), (('.', 'sucks.'), 2.9634741239748865), (('beat', '.'), 2.9634741239748865), (('with', '.'), 2.9634741239748865), (('.', 'is'), 2.963474123974886), (('great', '.'), 2.963474123974886), (('love', 'iphone'), 2.7004397181410926), (('I', 'really'), 2.7004397181410926), (('beat', 'iphone'), 2.7004397181410926), (('great', 'samsung'), 2.7004397181410926), (('iphone', 'cases.'), 2.7004397181410926), (('iphone', 'sucks.'), 2.7004397181410926), (('never', 'iphone'), 2.7004397181410926), (('really', 'love'), 2.7004397181410926), (('samsung', 'great'), 2.7004397181410926), (('with', 'iphone'), 2.7004397181410926), (('.', 'samsung'), 2.37851162325373), (('is', '.'), 2.37851162325373), (('iphone', 'I'), 2.1154772174199366), (('iphone', 'samsung'), 2.1154772174199366), (('I', 'love'), 2.115477217419936), (('iphone', '.'), 1.963474123974886), (('great', 'iphone'), 1.7004397181410922), (('iphone', 'great'), 1.7004397181410922), (('really', 'iphone'), 1.7004397181410922), (('.', 'iphone'), 1.37851162325373), (('.', 'I'), 1.37851162325373), (('love', '.'), 1.37851162325373), (('I', 'iphone'), 1.1154772174199366), (('iphone', 'is'), 1.1154772174199366)]
finder1ここで、周波数 2 にフィルター処理された同じものを計算するとどうなるかに注目してください。
finder1.score_ngrams(bigram_measures.pmi)
そして出力：
[(('is', 'great'), 3.7004397181410926), (('samsung', 'is'), 3.115477217419936), (('.', 'is'), 2.963474123974886), (('great', '.'), 2.963474123974886), (('love', 'iphone'), 2.7004397181410926), (('.', 'samsung'), 2.37851162325373), (('is', '.'), 2.37851162325373), (('iphone', 'I'), 2.1154772174199366), (('iphone', 'samsung'), 2.1154772174199366), (('iphone', '.'), 1.963474123974886), (('.', 'iphone'), 1.37851162325373)]
頻度が 2 未満のすべてのコロケーションがこのリストに存在しないことに注意してください。まさにあなたが求めていた結果です。ということでフィルターが効きました。また、ドキュメントには、この問題に関する最小限のヒントが記載されています。
これがあなたの質問に答えたことを願っています。それ以外の場合は、お知らせください。
免責事項: 主につぶやきを扱っている場合、13 のウィンドウ サイズは大きすぎます。お気付きかもしれませんが、私のサンプル コーパスでは、サンプル ツイートのサイズが小さすぎたため、ウィンドウ サイズ 13 を適用すると、無関係なコロケーションが検出される可能性があります。