标签：词性 12 sms 贝叶斯 tokens token 垃圾邮件 nltk sent

1. 读邮件数据集文件，提取邮件本身与标签。

    列表;numpy数组

2.邮件预处理

①邮件分句  ②句子分词  ③大小写，标点符号，去掉过短的单词  

④词性还原：复数、时态、比较级  ⑤连接成字符串

2.1 传统方法来实现

2.2 nltk库的安装与使用

        

安装完成，通过下述命令可查看nltk版本：

import nltk

print nltk.__doc__

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip   https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

import nltk
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
import csv
#邮件预处理：1.分句 2.分词 3.去掉停用词 4.去掉短于3的词 5.词性还原 6.连接成字符串

def preprocessing(text):
    tokens = [];
    for sent in nltk.sent_tokenize(text):      #1.对录入的文本按照句子进行分割;
        for word in nltk.word_tokenize(sent):  #2.对句子进行分词；
            tokens.append(word)              #存放如token中
    #也可以使用这一句 与上述语句同义
    #tokens=[word for sent in nltk.sent_tokenize(text)for word in nltk.word_tokenize(sent)]

    #3.去除停用词(如i\me\my)
    stops=stopwords.words("english")
    tokens = [token for token in tokens if token not in stops]

    #4.大小写转换，并去掉短于3的词
    tokens=[token.lower() for token in tokens if len(token) >=3]

    #NLTK词性标注(
    nltk.pos_tag(tokens)

    #5.词性还原Lemmatisation
    lemmatizer=WordNetLemmatizer()  #定义还原对象
    tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]  #名词(单复数)还原
    tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]  #动词(时态)还原
    tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]  #形容词(级别)还原

    return tokens;  #返回处理完成后的文本

sms=open("./data/SMSSpamCollection",'r',encoding='utf-8')  #数据读取
sms_data=[]
sms_label=[]
csv_reader=csv.reader(sms,delimiter='\t')
for line in csv_reader:                                 #6.对每封邮件进行预处理
    sms_label.append(line[0])
    sms_data.append(preprocessing(line[1]))   
sms.close()

print("lable内容：",sms_label)    #标题
print("data内容：")               #处理后的邮件内容
for i in sms_data:
    print(i)

3. 训练集与测试集

4. 词向量

5. 模型

标签：词性,12,sms,贝叶斯,tokens,token,垃圾邮件,nltk,sent
来源： https://www.cnblogs.com/HvYan/p/12890689.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。