【大数据部落】用R进行网站评论文本挖掘聚类

对于非结构化的网站中文评论信息，r的中文词频包可能是用来挖掘其潜在信息的好工具，要分析文本内容，最常见的分析方法是提取文本中的词语，并统计频率。频率能反映词语在文本中的重要性，一般越重要的词语，在文本中出现的次数就会越多。词语提取后，还可以做成词云，让词语的频率属性可视化，更加直观清晰。 

      比如对于如下的网站评论信息：

通过一系列的文本处理和高频词汇的提取，最后结合聚类，我们可以得到如下的可视化结果。

第一类客户：

第二类

第三类

这是根据某网站成交评论制作的可视化词云，词频的统计，分词和词云的制作都是用R，最后做了聚类，将不同的用户聚成了3个类别。这个图能很直观看到，每个类别的客户的特点。不过这张图中的词语还需要进行优化，因为有些术语或词组可能被拆分成了更小的词语，没有展示出来，为了演示，我就没再花更多时间去优化词库，主要介绍分析的过程与方法。

                                                                                                    pinglun=readLines("E:\手机评论1.txt")

                                                                                                      write.table(pinglun,"E:\手机评论整理.txt")

                                                                                                      pinglun1=read.table("E:\\手机评论整理.txt",sep="|")

 

 

# == 文本预处理  

res=pinglun1[pinglun1!=" "];  

#剔除通用标题  

res=gsub(pattern="[專賣店【未拆封順豐】||]+"," ",res);   

#剔除特殊词  

res=gsub(pattern="[我|你|的|了|是]"," ",res);       

#清理文本里的回车！否则每个回车就会被识别成一段文本

res=gsub("\n","",res)

###############

library(r;  

library(Rwordseg);  

 

# == 分词+频数统计  

words=unlist(lapply(X=res, FUN=segmentCN));  

word=lapply(X=words, FUN=strsplit, " ");  

v=table(unlist(word));    

# 降序排序  

v=rev(sort(v));   

d=data.frame(word=names(v), freq=v);   

# 过滤掉1个字和词频小于100的记录  

d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)  

 

# == 输出结果  

                                                                                                       write.table(d, file="E: \\worldcup_keyword.txt", row.names=FALSE)  

#############绘制词汇图####################3

library("wordcloud")

mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：

wordcloud(d[1:30,]$word,d[1:30,]$freq,random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

                                                                                                        write.csv(d[1:30,], file="E:\\ 30个keyword.csv", row.names=FALSE)  

 

 

 

 

 

############kmeans聚类#######################

res1=res[1:10000]#筛选500个样本做测试

words=unlist(lapply(X=res1, FUN=segmentCN));  

word=lapply(X=words, FUN=strsplit, " ");  

v=table(unlist(word));    

# 降序排序  

v=rev(sort(v));   

d=data.frame(word=names(v), freq=v);   

# 过滤掉1个字和词频小于100的记录  

d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100)  #获得高频词汇

 

 

rating=matrix(0,length(res1),dim(d)[1])#生成评价矩阵

colnames(rating)=d[,1]#给矩阵列命名

 

for(i in 1:length(res1)){

  words=unlist(lapply(X=res1[i], FUN=segmentCN));#对每一条记录分析获得词频  

  word=lapply(X=words, FUN=strsplit, " ");  

  v=table(unlist(word));    

  # 降序排序  

  v=rev(sort(v));   

  dd=data.frame(word=names(v), freq=v); 

  index=intersect(dd[,1],colnames(rating))#找到每条记录中拥有的高频词汇

  if(length(index)==0)next;

  for(j in 1:length(index)){

    jj=which(dd[,1]==index[j])

    rating[i,colnames(rating)==index[j]]=dd[jj,2][[1]]#高频词汇的数量赋值到评价矩阵

  }  

}

                                                                                                      write.table(rating, file="E:\\ 评价矩阵.txt", row.names=FALSE)  

 

 

kmeans(rating,5)#对评价矩阵进行k均值聚类

 

 

                                                                                                      result=read.csv("E:\聚类结果.csv")

colnames(result)=d[1:30,1]

 

###分类别

c1=result[result[,31]==1,]

c2=result[result[,31]==2,]

c3=result[result[,31]==3,]

 

freq1=apply(c1,2,sum)[-31]

freq2=apply(c2,2,sum)[-31]

freq3=apply(c3,2,sum)[-31]

 

 

library("wordcloud")

mycolors <- brewer.pal(8,"Dark2")#设置一个颜色系：

wordcloud(colnames(result)[-17],freq1[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

 

wordcloud(colnames(result)[-17],freq2[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

 

wordcloud(colnames(result)[-17],freq3[-17],random.order=FALSE,random.color=FALSE,colors=mycolors,family="myFont3")

 

 

 

######算法比较

y=rbind(matrix(rnorm(10000,mean=2,sd=0.3),ncol=10),matrix(rnorm(10000,mean=1,sd=0.7),ncol=10))#生成两类随机数合并

colnames(y)=c(paste("y",1:10))#变量名

 

 

#Kmeans算法聚类

cl=kmeans(y,2)

pch1=rep("1",1000)#类标号

pch2=rep("2",1000)

plot(y,col=cl$cluster,pch=c(rep("1",1000),rep("2",1000)),main="kmeans算法聚类图")#每个类样本

points(cl$centers,col=3,pch="*",cex=3)#每个类中心

 

最后可以得到直观的用户的聚类特征从而进一步进行研究。（有问题欢迎交流讨论 qq 3025393450）