python根据BM25实现文本检索



  • 目的

    给定一个或多个搜索词,如“高血压 患者”,从已有的若干篇文本中找出最相关的(n篇)文本。

    理论知识

    文本检索(text retrieve)的常用策略是:用一个ranking function根据搜索词对所有文本进行排序,选取前n个,就像百度搜索一样。
    显然,ranking function是决定检索效果最重要的因素,本文选用了在实际应用中效果很好的BM25。BM25其实只用到了一些基础的统计和文本处理的方法,没有很高深的算法。

    0_1515632745374_b872c0d5-4c42-4c70-915c-51d003ab65d5-image.png

    上图是BM25的公式,对于一个搜索q和所有文本,计算每一篇文本d的权重。整个公式其实是TF-IDF的改进:

    第一项c(w,q)就是搜索q中词w的词频

    第三项是词w的逆文档频率,M是所有文本的个数,df(w)是出现词w的文本个数

    中间的第二项是关键,实质是词w的TF值的变换,c(w,d)是词w在文本d中的词频。首先是一个TF Transformation,目的是防止某个词的词频过大,经过下图中公式的约束,词频的上限为k+1,不会无限制的增长。例如,一个词在文本中的词频无论是50还是100,都说明文本与这个词有关,但相关度不可能是两倍关系。

    0_1515632766192_e9c8fa1a-8383-4a1b-b485-76f58b1ab01a-image.png

    上图的公式分母中的k还乘了一个系数,目的是归一化文本长度。归一化公式中,b是[0,1]之间的常数,avdl是平均文本长度,d是文本d的长度。显然,d比平均值大,则normalizer大于1,代入BM25最终的权重变小,反之亦然。

    0_1515632813803_8827cf98-8b0b-44f5-8205-a1e5e5063847-image.png

    python实现

    下面通过一个例子来实现根据BM25来进行文本检索。现在从网上爬下来了几十篇健康相关的文章,部分如下图所示。模拟输入搜索词,如“高血压 患者 药物”,搜素最相关的文章。

    0_1515632835735_93423c2b-572e-47a5-9656-e0fc85d8d066-image.png

    python的实现用到了gensim库,其中的BM25实现的源码如下:

    #!/usr/bin/env python
    # -*- coding: utf-8 -*-
    #
    # Licensed under the GNU LGPL v2.1 - http://www.gnu.org/licenses/lgpl.html
    
    import math
    from six import iteritems
    from six.moves import xrange
    
    
    # BM25 parameters.
    PARAM_K1 = 1.5
    PARAM_B = 0.75
    EPSILON = 0.25
    
    
    class BM25(object):
    
        def __init__(self, corpus):
            self.corpus_size = len(corpus)
            self.avgdl = sum(map(lambda x: float(len(x)), corpus)) / self.corpus_size
            self.corpus = corpus
            self.f = []
            self.df = {}
            self.idf = {}
            self.initialize()
    
        def initialize(self):
            for document in self.corpus:
                frequencies = {}
                for word in document:
                    if word not in frequencies:
                        frequencies[word] = 0
                    frequencies[word] += 1
                self.f.append(frequencies)
    
                for word, freq in iteritems(frequencies):
                    if word not in self.df:
                        self.df[word] = 0
                    self.df[word] += 1
    
            for word, freq in iteritems(self.df):
                self.idf[word] = math.log(self.corpus_size - freq + 0.5) - math.log(freq + 0.5)
    
        def get_score(self, document, index, average_idf):
            score = 0
            for word in document:
                if word not in self.f[index]:
                    continue
                idf = self.idf[word] if self.idf[word] >= 0 else EPSILON * average_idf
                score += (idf * self.f[index][word] * (PARAM_K1 + 1)
                          / (self.f[index][word] + PARAM_K1 * (1 - PARAM_B + PARAM_B * self.corpus_size / self.avgdl)))
            return score
    
        def get_scores(self, document, average_idf):
            scores = []
            for index in xrange(self.corpus_size):
                score = self.get_score(document, index, average_idf)
                scores.append(score)
            return scores
    
    
    def get_bm25_weights(corpus):
        bm25 = BM25(corpus)
        average_idf = sum(map(lambda k: float(bm25.idf[k]), bm25.idf.keys())) / len(bm25.idf.keys())
    
        weights = []
        for doc in corpus:
            scores = bm25.get_scores(doc, average_idf)
            weights.append(scores)
    
        return weights
    

    gensim中代码写得很清楚,我们可以直接利用。

    import jieba.posseg as pseg
    import codecs
    from gensim import corpora
    from gensim.summarization import bm25
    import os
    import re
    

    构建停用词表

    stop_words = '/Users/yiiyuanliu/Desktop/nlp/demo/stop_words.txt'
    stopwords = codecs.open(stop_words,'r',encoding='utf8').readlines()
    stopwords = [ w.strip() for w in stopwords ]
    

    结巴分词后的停用词性 [标点符号、连词、助词、副词、介词、时语素、‘的’、数词、方位词、代词]

    stop_flag = ['x', 'c', 'u','d', 'p', 't', 'uj', 'm', 'f', 'r']
    

    对一篇文章分词、去停用词

    def tokenization(filename):
        result = []
        with open(filename, 'r') as f:
            text = f.read()
            words = pseg.cut(text)
        for word, flag in words:
            if flag not in stop_flag and word not in stopwords:
                result.append(word)
        return result
    

    对目录下的所有文本进行预处理,构建字典

    corpus = [];
    dirname = '/Users/yiiyuanliu/Desktop/nlp/demo/articles'
    filenames = []
    for root,dirs,files in os.walk(dirname):
        for f in files:
            if re.match(ur'[\u4e00-\u9fa5]*.txt', f.decode('utf-8')):
                corpus.append(tokenization(f))
                filenames.append(f)
        
    dictionary = corpora.Dictionary(corpus)
    print len(dictionary)
    Building prefix dict from the default dictionary ...
    Loading model from cache /var/folders/1q/5404x10d3k76q2wqys68pzkh0000gn/T/jieba.cache
    Loading model cost 0.328 seconds.
    Prefix dict has been built succesfully.
    

    建立词袋模型
    打印了第一篇文本按词频排序的前5个词

    doc_vectors = [dictionary.doc2bow(text) for text in corpus]
    vec1 = doc_vectors[0]
    vec1_sorted = sorted(vec1, key=lambda (x,y) : y, reverse=True)
    print len(vec1_sorted)
    for term, freq in vec1_sorted[:5]:
        print dictionary[term]
    

    用gensim建立BM25模型bm25Model = bm25.BM25(corpus)
    根据gensim源码,计算平均逆文档频率
    average_idf = sum(map(lambda k: float(bm25Model.idf[k]), bm25Model.idf.keys())) / len(bm25Model.idf.keys())
    假设用户输入了搜索词“高血压 患者 药物”,利用BM25模型计算所有文本与搜索词的相关性

    query_str = '高血压 患者 药物'
    query = []
    for word in query_str.strip().split():
        query.append(word.decode('utf-8'))
    scores = bm25Model.get_scores(query,average_idf)
    # scores.sort(reverse=True)
    print scores
    
    [4.722034069722618, 4.5579610648148625, 2.859958016641194, 3.388613898734133, 4.6281563584251995, 4.730042214103296, 1.447106736835707, 2.595169814422283, 2.894213473671414, 2.952010252059601, 3.987044912721877, 2.426869660460219, 1.1583806884161147, 0, 3.242214688067997, 3.6729065940310752, 3.025338037306947, 1.57823130047124, 2.6054874252518214, 3.4606547596124635, 1.1583806884161147, 2.412854586446401, 1.7354863870557247, 1.447106736835707, 3.571235274862516, 2.6054874252518214, 2.695780408029825, 2.3167613768322295, 4.0309963518837595, 0, 2.894213473671414, 3.306255023356817, 3.587349029341776, 3.4401107112269824, 3.983307351035947, 0, 4.508767501123564, 3.6289862140766926, 3.6253442838304633, 4.248297326100691, 3.025338037306947, 3.602635199166345, 3.4960329155028464, 3.3547048399034876, 1.57823130047124, 4.148340973502125, 1.1583806884161147]
    

    idx = scores.index(max(scores))
    print idx

    5
    找到最相关的文本

    fname = filenames[idx]
    print fname
    with open(fname,'r') as f:
        print f.read()
    

    高血压的重要治疗方式之一,就是口服降压药。对于不少刚刚被确诊的“高血压新手”来说,下面这些关于用药的事情,是必须知道的。

    1. 贵的药,真的比便宜的药好用吗?
      事实上,降压药物的化学机构和作用机制不一样。每一种降压药,其降压机理和适应人群都不一样。只要适合自己的病情和身体状况,就是好药。因此,不存在“贵重降压药一定比便宜的降压药好使”这一说法。

    2. 能不吃药就不吃药,靠身体调节血压,这种想法对吗?
      这种想法很幼稚。其实,高血压是典型的,应该尽早服药的疾病。如果服药太迟,高血压对重要脏器持续形成伤害,会让我们的身体受很大打击。所以,高血压患者尽早服药,是对身体的最好的保护。

    3. 降压药是不是得吃一辈子?
      对于这个问题,中医和西医有着不同的认识。西医认为,降压药服用之后不应该停用,以免血压形成波动,造成对身体的进一步伤害。中医则认为,通过适当的运动和饮食调节,早期的部分高血压患者,可以在服药之后的某段时间里停药。总之,处理这一问题的时候,我们还是要根据自己的情况而定。对于高血压前期,或者轻度高血压的人来说,在生活方式调节能够让血压稳定的情况下,可以考虑停药,采取非药物疗法。对于中度或者重度的高血压患者来说,就不能这么做了。

    4. 降压药是不是要早晨服用?
      一般来说,长效的降压药物,都是在早晨服用的。但是,我们也可以根据高血压患者的波动情况,适当改变服药时间。

    5. 降压药是不是一旦服用就不能轻易更换?
      高血压病人一旦服用了某种降压药物,就不要轻易更换。只要能维持血压在正常范围而且稳定,就不用换药。只有在原有药物不能起到控制作用的时候,再考虑更换服药方案。对于新发高血压病人来说,长效降压药若要达到稳定的降压效果,往往需要4到6周或者更长时间。如果经过4到6周也实现不了好的控制效果,可以考虑加第二种药物来联合降压,不必盲目换药。
      参考资料:

    作者:lyy0905
    链接:https://www.jianshu.com/p/ff28004efb8a
    來源:简书
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。


登录后回复
 

与 区块链大学 | qkldx.net 的连接断开,我们正在尝试重连,请耐心等待