Python - klasyfikacja tekstu

Wiele razy musimy podzielić dostępny tekst na różne kategorie według wcześniej określonych kryteriów. nltk udostępnia taką funkcję jako część różnych korpusów. W poniższym przykładzie przyjrzymy się korpusowi recenzji filmów i sprawdzimy dostępną kategoryzację.

# Lets See how the movies are classified
from nltk.corpus import movie_reviews
all_cats = []
for w in movie_reviews.categories():
    all_cats.append(w.lower())
print(all_cats)

Po uruchomieniu powyższego programu otrzymujemy następujące dane wyjściowe -

['neg', 'pos']

Przyjrzyjmy się teraz zawartości jednego z plików z pozytywną recenzją. Zdania w tym pliku są tokenizowane i drukujemy pierwsze cztery zdania, aby zobaczyć próbkę.

from nltk.corpus import movie_reviews
from nltk.tokenize import sent_tokenize
fields = movie_reviews.fileids()
sample = movie_reviews.raw("pos/cv944_13521.txt")
token = sent_tokenize(sample)
for lines in range(4):
    print(token[lines])

Po uruchomieniu powyższego programu otrzymujemy następujący wynik -

meteor threat set to blow away all volcanoes & twisters !
summer is here again !
this season could probably be the most ambitious = season this decade with hollywood churning out films 
like deep impact , = godzilla , the x-files , armageddon , the truman show , 
all of which has but = one main aim , to rock the box office .
leading the pack this summer is = deep impact , one of the first few film 
releases from the = spielberg-katzenberg-geffen's dreamworks production company .

Następnie tokenizujemy słowa w każdym z tych plików i znajdujemy najczęściej używane słowa za pomocą funkcji FreqDist z nltk.

import nltk
from nltk.corpus import movie_reviews
fields = movie_reviews.fileids()
all_words = []
for w in movie_reviews.words():
    all_words.append(w.lower())
all_words = nltk.FreqDist(all_words)
print(all_words.most_common(10))

Po uruchomieniu powyższego programu otrzymujemy następujący wynik -

[(,', 77717), (the', 76529), (.', 65876), (a', 38106), (and', 35576), 
(of', 34123), (to', 31937), (u"'", 30585), (is', 25195), (in', 21822)]