TD2A_TD5_TRAITEMENT_AUTOMATIQUE_DES_LANGUES_EN_PYT HON
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
td2a_TD5_Traitement_automatique_des_langues_en_Python January 1, 2023 1 2A.eco - Traitement automatique de la langue en Python Aperçu de ce qu’est le traitement automatique du langage naturel (NLP) et quelques exercices. [1]: from jyquickhelper import add_notebook_menu add_notebook_menu() Le traitement automatique des langues (ou Natural Language Processing) propose un ensemble de méthodes permettant (entre autres) : - d’extraire automatiquement les informations voulues de données textuelles brutes (comme apr exemple les noms propres) - indexer des documents et permettre une recherche par mot- clés (cf. Moteurs de recherche, ou, moins ambitieux, moteurs d’auto-complétion) - résumer automatiquement des documents, - comparer la similarité entre plusieurs documents, - traduction automatique, - génération de textes automatiques, - analyse de sentiments, - agents conversationnels (cf. ELIZA en 1966). Si vous voulez savoir ce qu’il se passe quand deux agents conversationnels discutent ensemble c’est ici. Le traitement automatique des langues a fait ses premiers pas dans le contexte de la guerre froide, où la traduction automatique était devenu un enjeu geopolitique. En 1950, dans sont article « Computing machinery and intelligence ”, Alan Turing défini ce qui est appellé plus tartd, le test de Turing. On dit qu’un programme passe le test de Turing s’il parvient à personnifier un humain dans une conversation écrite en temps réel, de façon suffisamment convaincante pour que l’interlocuteur humain ne puisse pas distinguer avec certitude — sur la base du seul contenu de la conversation — s’il interagit avec un programme ou avec un autre humain. Les progrès en traitement automatique des langues ont été beaucoup plus lents qu’initialement prévus. Cependant certains considèrent que pour la première fois en 2014, grâce aux progrès en machine learning une machine a passé le test en se faisant passer pour un enfant de 13 ans. L’objet de ce TD est de présenter l’essentiel du traitement automatique des langues, selon trois approches : • L’approche bag of words : on ne tient pas compte de l’ordre des mots, ni du contexte dans lequel ils interviennent (ou alors de manière très partielle, en étudiant par exemple le mot suivant). L’idée est d’étudier la fréquence des mots d’un document et la surreprésentation des mots par rapport à un document de référence (appelé corpus). Cette approche un peu simpliste mais très efficace : on peut calculer des scores permettant par exemple de faire de classification automatique de document par thème, de comparer la similarité de deux documents. Elle est souvent utilisée en première analyse, et elle reste la référence pour l’analyse de textes mal structurés (tweets, dialogue tchat, etc.) Mot-clés : td-idf, indice de similarité cosine • L’approche contextuelle : on s’intéresse non seulement aux mots et à leur fréquence, mais aussi aux mots qui suivent. Cette approche est essentielle pour désambiguiser les homonymes. Elle permet aussi d’affiner les modèles “bag-of-words”. Le calcul de n-grams (bigrams pour les co-occurences de mots deux-à-deux, tri-grams pour les co-occurences trois-à-trois, etc.) constitue la méthode la plus simple pour tenir compte du contexte. • L’approche structurelle : on s’intéresse à la structure des phrases, des mots (stemming, lemmatisation), aux règles syntaxiques, au sens des phrases. L’idée est d’introduire de la structure dans l’analyse du 1
langage, à partir de règles connues et modélisées (par des expressions régulières, ou formalisation des règles syntaxiques), enrichies manuellement par des contributeurs, ou apprises par des méthodes de machine learning. Mots-clés : tokenisation des phrases et des mots, Part-Of-Speech tagging, extraction d’entité etc. Cette approche est beaucoup plus coûteuse et longue à mettre en place, mais c’est la seule capable de répondre à des besoins de traitement automatique des langues plus ambitieux tels que la traduction automatique, les agents conversationnels, et permet d’augmenter la performance des modèles de classifications de documents, de prédiction du sentiment, etc. 1.1 Approche “bag of words” 1.1.1 Récupération de données textuelles grâce à l’API Google + 1.1.2 Installation [2]: import httplib2 # pip install httplib2 import json # déjà installée, sinon : pip install json import apiclient.discovery # pip install google-api-python-client import bs4 # déjà ja installée, sinon : pip install bs4 import nltk # pip install nltk --> sous Windows, il faut aller à http://www.lfd.uci. ↪edu/~gohlke/pythonlibs/ [3]: nltk.__version__ [3]: '3.4.1' 1.1.3 Récupération de la clé d’API Google + google a arrêté Google +, l’API est désactivée également vers le 1er mars 2019, le code suivant ne fonctionne pas mais les données récupérées sont toujours disponibles : échantillon googleplus. Pour obtenir une clé d’API (google plus ou autre), il faut : • avoir un compte gmail (si vous n’en avez pas, c’est rapide à créer) • aller sur l’interface developeurs de Google • se connecter à son compte gmail (en haut à droite) • à droite, sélectionner “bibliothèque”, sélectionner “Google +” • sélectionner “ACTIVER” (en bleu en haut) • à droite “Accéder à identifiants” • choisissez “clé API” • puis “aucun” et cliquer sur le bouton “Créer” • recopier votre clé ci-dessous [4]: #remplacer par VOTRE clé import os try: from pyquickhelper.loghelper import get_password API_KEY = get_password("gapi", "ensae_teaching_cs,key") except Exception as e: print(e) 2
1.1.4 Connexion à l’API, et requête d’une personne ayant un compte Google + (avec activités publiques) [5]: if False: # à remplacer par une autre API # Entrer le nom d'une personne ayant un compte google plus public Q = "Tim O'Reilly" # Se connecter à l'API (méthode Oauth2) service = apiclient.discovery.build('plus', 'v1', http=httplib2.Http(), developerKey=API_KEY) # Récupérer les feeds people_feed = service.people().search(query=Q).execute() # Imprimer le json récupéré res = json.dumps(people_feed['items'], indent=1) print(res if len(res) < 1000 else res[:1000] + "...") [ { "kind": "plus#person", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/tjedXFyeIkzudZzRey5EJb8iZIk\"", "objectType": "person", "id": "107033731246200681024", "displayName": "Tim O'Reilly", "url": "https://plus.google.com/107033731246200681024", "image": { "url": "https://lh4.googleusercontent.com/-J8nmMwIhpiA/AAAAAAAAAAI/AAAAAAADdg4/68r2hyFUgzI/photo.jpg? } }, { "kind": "plus#person", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/ofg-30rIv-rKw7XTBBnDA1i3I_Y\"", "objectType": "person", "id": "110160587587635791009", "displayName": "TIM O'REILLY", "url": "https://plus.google.com/110160587587635791009", "image": { "url": "https://lh4.googleusercontent.com/-gWq9vr_JEnc/AAAAAAAAAAI/AAAAAAAAADI/zwCXKP4QeiU/photo.jpg? } }, { "kind": "plus#person", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/DVTuV3GDJ0h4UlM5bybS_d26Fdo\"", "objectType": "person", "id": "106492472890341598734", "displayName": "Tim O'Reilly", "url": "https://plus.google.com/10649... [6]: if False: # à remplacer par une autre API # Parce que l'on travaille sur un Notebook il est possible d'afficher facilement␣ ↪les images correspondantes # l'identifiant unique d'avatar google plus et le nom 3
from IPython.core.display import HTML html = [] for p in people_feed['items']: html += [' {}: {}'.format(p['image']['url'], p['id'],␣ ↪p['displayName'])] HTML(''.join(html[:5])) 1.1.5 Requete sur l’activité de la personne sélectionnée [7]: if False: # à remplacer par une autre API USER_ID = '107033731246200681024' activity_feed = service.activities().list( userId=USER_ID, collection='public', maxResults='100' # Max allowed per API ).execute() res = json.dumps(activity_feed, indent=1) print(res if len(res) < 1000 else res[:1000] + "...") { "kind": "plus#activityFeed", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/UVhLnzZeFbRMD00k0VRD5tkC6es\"", "nextPageToken": "ADSJ_i32R0IpxThTClWgVQ71un8FkJDHG8Pl4hLCvWIbyb6T65r6coxSlWk1svDgsrzxTQ3JHFV1CGnbjFCSa "title": "Google+ List of Activities for Collection PUBLIC", "updated": "2017-09-13T15:59:45.234Z", "items": [ { "kind": "plus#activity", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/Dlr_44FOo97cNjKbX7ZHrVWgen4\"", "title": "It looks like #@CTRLLabsCo has made a real breakthrough. This is one of the advances that w "published": "2017-09-13T15:59:31.577Z", "updated": "2017-09-13T15:59:45.234Z", "id": "z123e5zb4zbmcxf5004chl3pvxfbszirt5o", "url": "https://plus.google.com/+TimOReilly/posts/TpYYyGh7pr1", "actor": { "id": "107033731246200681024", "displayName": "Tim O'Reilly", "url": "https://plus.google.com/107033731246200681024", "image": { "url": "https://lh4.googleusercontent.com/-J8nmMwIhpiA... 1.2 Récupération de l’échantillon [8]: import json with open("ressources_googleplus/107033731246200681024.json", "r", encoding="utf-8")␣ ↪as f: activity_feed = json.load(f) 4
res = json.dumps(activity_feed, indent=1) print(res if len(res) < 1000 else res[:1000] + "...") [ { "kind": "plus#activity", "etag": "\"Sh4n9u6EtD24TM0RmWv7jTXojqc/Dlr_44FOo97cNjKbX7ZHrVWgen4\"", "title": "It looks like #@CTRLLabsCo has made a real breakthrough. This is one of the advances that will take …", "published": "2017-09-13T15:59:31.577Z", "updated": "2017-09-13T15:59:45.234Z", "id": "z123e5zb4zbmcxf5004chl3pvxfbszirt5o", "url": "https://plus.google.com/+TimOReilly/posts/TpYYyGh7pr1", "actor": { "id": "107033731246200681024", "displayName": "Tim O'Reilly", "url": "https://plus.google.com/107033731246200681024", "image": { "url": "https://lh4.googleusercontent.com/-J8nmMwIhpiA/AAAAAAAAAAI/AAAAAAADd g4/68r2hyFUgzI/photo.jpg?sz=50" }, "verification": { "adHocVerified": "PASSED" } }, "verb": "post", "object": { "objectType": "note", "actor": { "verification": { "adHocVerified": "PASSED" } }, "content": "It looks like #@CTRLLabsCo has made a real breakthrough. This is one of the advances that… 1.2.1 Nettoyage des données textuelles avec BS4 [9]: from bs4 import BeautifulSoup def cleanHtml(html): if html == "": return "" return BeautifulSoup(html, 'html.parser').get_text() try: print(activity_feed[0]['object']['content']) print("\n") print(cleanHtml(activity_feed[0]['object']['content'])) except Exception as e: print(e) It looks like #@CTRLLabsCo has made a real breakthrough. This is one of 5
the advances that will take us beyond the smartphone. If you've done any playing around with augmented reality, you realize that control and interaction is one of the key blocks to widespread adoption. Brain-computer interfaces are a key combinatorial innovation that will enable a completely different UI paradigm for interacting with devices and ambient computing. It looks like #@CTRLLabsCo has made a real breakthrough. This is one of the advances that will take us beyond the smartphone. If you've done any playing around with augmented reality, you realize that control and interaction is one of the key blocks to widespread adoption. Brain-computer interfaces are a key combinatorial innovation that will enable a completely different UI paradigm for interacting with devices and ambient computing. 1.2.2 Récupération des données et stockage Créer un dossier “ressources_googleplus” dans votre répertoire courant (%pwd pour le connaitre) [10]: if False: # à remplacer par une autre API import json import apiclient.discovery MAX_RESULTS = 200 # limite fixée à 100 résultats par requete => on va itérer sur␣ ↪ une boucle pour en avoir 200 activity_feed = service.activities().list( userId=USER_ID, collection='public', maxResults='100' ) activity_results = [] while activity_feed != None and len(activity_results) < MAX_RESULTS: activities = activity_feed.execute() if 'items' in activities: for activity in activities['items']: if activity['object']['objectType'] == 'note' and␣ ↪activity['object']['content'] != '': activity['title'] = cleanHtml(activity['title']) activity['object']['content'] =␣ ↪cleanHtml(activity['object']['content']) activity_results += [activity] # list_next permet de passer à la requete suivante activity_feed = service.activities().list_next(activity_feed, activities) # on écrit le résultat dans un fichier json import os if not os.path.exists("ressources_googleplus"): os.mkdir("ressources_googleplus") f = open('./ressources_googleplus/' + USER_ID + '.json', 'w') f.write(json.dumps(activity_results, indent=1)) 6
f.close() print(str(len(activity_results)), "activités écrites dans", f.name) 1.3 Analyse des données textuelles - TD-IDF, similarité cosine et n-grams Le calcul tf-idf (term frequency–inverse document frequency) permet de calculer un score de proximité entre un terme de recherche et un document (c’est ce que font les moteurs de recherche). La partie tf calcule une fonction croissante de la fréquence du terme de recherche dans le document à l’étude, la partie idf calcule une fonction inversement proportionnelle à la fréquence du terme dans l’ensemble des documents (ou corpus). Le score total, obtenu en multipliant les deux composantes, permet ainsi de donner un score d’autant plus élevé que le terme est surréprésenté dans un document (par rapport à l’ensemble des documents). Il existe plusieurs fonctions, qui pénalisent plus ou moins les documents longs, ou qui sont plus ou moins smooth. [11]: import json with open("ressources_googleplus/107033731246200681024.json", "r", encoding="utf-8")␣ ↪as f: activity_results = json.load(f) 1.3.1 Exemple sur un petit corpus de 3 documents [12]: corpus = { 'a' : "Mr. Green killed Colonel Mustard in the study with the candlestick. \ Mr. Green is not a very nice fellow.", 'b' : "Professor Plum has a green plant in his study.", 'c' : "Miss Scarlett watered Professor Plum's green plant while he was away \ from his office last week." } terms = { 'a' : [ i.lower() for i in corpus['a'].split() ], 'b' : [ i.lower() for i in corpus['b'].split() ], 'c' : [ i.lower() for i in corpus['c'].split() ] } [13]: from math import log QUERY_TERMS = ['mr.', 'green'] def tf(term, doc, normalize=True): doc = doc.lower().split() if normalize: return doc.count(term.lower()) / float(len(doc)) else: return doc.count(term.lower()) / 1.0 def idf(term, corpus): num_texts_with_term = len([True for text in corpus if term.lower() \ in text.lower().split()]) try: return 1.0 + log(float(len(corpus)) / num_texts_with_term) except ZeroDivisionError: return 1.0 7
def tf_idf(term, doc, corpus): return tf(term, doc) * idf(term, corpus) [14]: for (k, v) in sorted(corpus.items()): print(k, ':', v) print('\n') query_scores = {'a': 0, 'b': 0, 'c': 0} for term in [t.lower() for t in QUERY_TERMS]: for doc in sorted(corpus): print('TF({}): {}'.format(doc, term), tf(term, corpus[doc])) print('IDF: {}'.format(term, ), idf(term, corpus.values())) print('\n') for doc in sorted(corpus): score = tf_idf(term, corpus[doc], corpus.values()) print('TF-IDF({}): {}'.format(doc, term), score) query_scores[doc] += score print('\n') print("Score TF-IDF total pour le terme '{}'".format(' '.join(QUERY_TERMS), )) for (doc, score) in sorted(query_scores.items()): print(doc, score) a : Mr. Green killed Colonel Mustard in the study with the candlestick. Mr. Green is not a very nice fellow. b : Professor Plum has a green plant in his study. c : Miss Scarlett watered Professor Plum's green plant while he was away from his office last week. TF(a): mr. 0.10526315789473684 TF(b): mr. 0.0 TF(c): mr. 0.0 IDF: mr. 2.09861228866811 TF-IDF(a): mr. 0.22090655670190631 TF-IDF(b): mr. 0.0 TF-IDF(c): mr. 0.0 TF(a): green 0.10526315789473684 TF(b): green 0.1111111111111111 TF(c): green 0.0625 IDF: green 1.0 TF-IDF(a): green 0.10526315789473684 TF-IDF(b): green 0.1111111111111111 TF-IDF(c): green 0.0625 8
Score TF-IDF total pour le terme 'mr. green' a 0.3261697145966431 b 0.1111111111111111 c 0.0625 Le score td-idf pour le terme “Mr. Green” est le plus élevé pour le document a. 1.3.2 Exercice 1 Quel document est le plus proche du terme “green plant ? Calculer les scores TF-IDF pour le terme”green plan“. Cela correspond-il à vos attentes ? Que se passe-t-il si vous inversez les termes”green” et “plant” ? Que se passe-t-il avec “green” seul ? 1.3.3 Introduction à NLTK [15]: import nltk # nltk donne accès a des methodes, mais aussi à des données, qui faut télécharge grâce␣ ↪à la commande .download() nltk.download('stopwords') [nltk_data] Downloading package stopwords to [nltk_data] C:\Users\xavie\AppData\Roaming\nltk_data… [nltk_data] Package stopwords is already up-to-date! [15]: True [16]: from pprint import pprint [17]: len(activity_results) [17]: 273 [18]: if len(activity_results) > 0: pprint(activity_results[0]) {'access': {'description': 'Public', 'items': [{'type': 'public'}], 'kind': 'plus#acl'}, 'actor': {'displayName': "Tim O'Reilly", 'id': '107033731246200681024', 'image': {'url': 'https://lh4.googleusercontent.com/-J8nmMwIhpiA/AAAA AAAAAAI/AAAAAAADdg4/68r2hyFUgzI/photo.jpg?sz=50'}, 'url': 'https://plus.google.com/107033731246200681024', 'verification': {'adHocVerified': 'PASSED'}}, 'etag': '"Sh4n9u6EtD24TM0RmWv7jTXojqc/Dlr_44FOo97cNjKbX7ZHrVWgen4"', 'id': 'z123e5zb4zbmcxf5004chl3pvxfbszirt5o', 'kind': 'plus#activity', 'object': {'actor': {'verification': {'adHocVerified': 'PASSED'}}, 'attachments': [{'content': 'This startup lets you control ' 'machines with your mind¿ no implants ' 'required.', 'displayName': "The Brain-Machine Interface Isn't " 9
'Sci-Fi Anymore | Backchannel', 'fullImage': {'type': 'image/jpeg', 'url': 'https://media.wired.com/photo s/59b81acc9365592813946567/191:100/pass/2lead.jpg'}, 'image': {'height': 910, 'type': 'image/jpeg', 'url': 'https://lh3.googleusercontent.com /proxy/L96mdlI6FizC1ijKXUpxf_u6JjcJdl79sEzYVwyWmdeeJfiBvHMVvWFMn8kvL4sq8kG82ST8l EqjhW9-j9KdQuTYh9lscVMkKb-IgK0j_s-PKZ84xceA2OPHTcQJ4g=w506-h910', 'width': 506}, 'objectType': 'article', 'url': 'https://www.wired.com/story/brain-machine- interface-isnt-sci-fi-anymore/'}], 'content': 'It looks like #@CTRLLabsCo has made a real ' 'breakthrough. This is one of the advances that will ' "take us beyond the smartphone. If you've done any " 'playing around with augmented reality, you realize ' 'that control and interaction is one of the key blocks ' 'to widespread adoption. Brain-computer interfaces are ' 'a key combinatorial innovation that will enable a ' 'completely different UI paradigm for interacting with ' 'devices and ambient computing. ', 'objectType': 'note', 'plusoners': {'selfLink': 'https://www.googleapis.com/plus/v1/activi ties/z123e5zb4zbmcxf5004chl3pvxfbszirt5o/people/plusoners', 'totalItems': 101}, 'replies': {'selfLink': 'https://www.googleapis.com/plus/v1/activiti es/z123e5zb4zbmcxf5004chl3pvxfbszirt5o/comments', 'totalItems': 14}, 'resharers': {'selfLink': 'https://www.googleapis.com/plus/v1/activi ties/z123e5zb4zbmcxf5004chl3pvxfbszirt5o/people/resharers', 'totalItems': 16}, 'url': 'https://plus.google.com/+TimOReilly/posts/TpYYyGh7pr1'}, 'provider': {'title': 'Google+'}, 'published': '2017-09-13T15:59:31.577Z', 'title': 'It looks like #@CTRLLabsCo has made a real breakthrough. This is ' 'one of the advances that will take …', 'updated': '2017-09-13T15:59:45.234Z', 'url': 'https://plus.google.com/+TimOReilly/posts/TpYYyGh7pr1', 'verb': 'post'} [19]: if len(activity_results) > 0: pprint(activity_results[0]['object']['content']) ('It looks like #@CTRLLabsCo has made a real breakthrough. This is one ' "of the advances that will take us beyond the smartphone. If you've done any " 'playing around with augmented reality, you realize that control and ' 'interaction is one of the key blocks to widespread adoption. Brain-computer ' 'interfaces are a key combinatorial innovation that will enable a completely ' 'different UI paradigm for interacting with devices and ambient computing. ') [20]: all_content = " ".join([ a['object']['content'] for a in activity_results ]) 10
print("Nombre de caractères : ",len(all_content)) print('\n') #Tokenisation naïve sur les espaces entre les mots => on obtient une liste de mots tokens = all_content.split() #On transforme cette liste en objet nltk "Text" (objet chaine de caractère qui␣ ↪conserve la notion de tokens, et qui #comprend un certain nombre de méthodes utiles pour explorer les données. text = nltk.Text(tokens) #Comme par exemple "concordance" : montre les occurences d'un mot dans son contexte print("Exemples d'occurences du terme 'open' :") text.concordance("open") print('\n') # Analyse de la fréquence des termes d'intérêt fdist = text.vocab() Nombre de caractères : 103145 Exemples d'occurences du terme 'open' : Displaying 13 of 13 matches: , and how at least one team is using open source to let others see inside the ear that computational biologist and open science advocate (UC Berkeley profes : magazine slogan say, "If you can't open it, you don't own it." Predictive po I'm proud to be a signatory to this open letter calling for this key policy i st, I've focused a lot on areas like open source software and the implications opic at greater length in my article Open Data and Algorithmic Regulation: htt cessful participatory projects, from open source software to wikis to social m ere isn't one (except that it's only open to US students - sorry. If anyone ha new contract that conformed with the open data mandate. If it were consistent If it were consistent with the Obama open data guidance, that RFP would requir ut of step with the administration's open data policy.The founder of Hipcamp, is is a really important piece about open data and platforms. Work on sh-t tha r. An excellent demonstration of why Open Access lowers the barriers to knowle [21]: print("Co-occurences fréquentes :") colloc = text.collocation_list() print(colloc) Co-occurences fréquentes : ['Silicon Valley', "O'Reilly Media", 'New York', 'Common Core', '+Jennifer Pahlka', 'Next:Economy Summit', 'Brett Goldstein', 'Cabo Pulmo', 'Humble Bundle', 'Bay Mini', 'East Bay', 'White House', 'on-demand economy,', 'Maker Faire', 'Mini Maker', 'granite workers', 'Real businesses', 'Well worth', 'worth reading.', 'Barre Historical'] 11
[22]: print('\n') print("Nombre de mots :", len(tokens)) print('\n') print("Nombre de mots uniques :",len(fdist.keys())) print('\n') print("Nombre de mots uniques v2 :",len(set(tokens))) Nombre de mots : 17104 Nombre de mots uniques : 5561 Nombre de mots uniques v2 : 5561 [23]: print("Nombre d'occurences du terme 'open' :",fdist["open"]) print("Nombre d'occurences du terme 'source' :", fdist["source"]) print("Nombre d'occurences du terme 'web' :", fdist["web"]) print("Nombre d'occurences du terme 'API' :",fdist["API"]) print('\n') #100 tokens les plus fréquents top100_items = sorted(fdist.items(),key=lambda x: x[1],reverse=True)[:100] #sans les fréquences top100 = [t[0] for t in top100_items] print("Top 100 :", top100) print('\n') #sans les termes trop frequents ("stopwords") top100_without_stopwords = [w for w in top100 if w.lower() \ not in nltk.corpus.stopwords.words('english')] print("Top 100 sans les mots fréquents :", top100_without_stopwords) print('\n') long_words_not_urls = [w for w in fdist.keys() if len(w) > 15 and not w. ↪startswith("http")] print("Longs mots sans les urls :", long_words_not_urls) print('\n') # Nombre d'urls print("Nombre d'urls :", len([w for w in fdist.keys() if w.startswith("http")])) print('\n') # Enumerate the frequency distribution for rank, word in enumerate(sorted(fdist.items(),key=lambda x: x[1],reverse=True)): print(rank, word) if rank > 75: print("....") break Nombre d'occurences du terme 'open' : 11 12
Nombre d'occurences du terme 'source' : 5 Nombre d'occurences du terme 'web' : 1 Nombre d'occurences du terme 'API' : 2 Top 100 : ['the', 'to', 'of', 'and', 'a', 'in', 'is', 'for', 'that', 'I', 'on', 'with', 'about', 'it', 'are', 'this', 'you', 'at', 'from', 'as', 'have', 'be', 'my', 'how', 'an', 'by', 'we', 'what', 'but', 'was', 'This', 'not', 'The', 'they', 'their', 'his', 'has', 'than', 'so', 'more', 'new', 'can', 'do', 'like', 'or', 'who', 'out', 'one', 'good', 'our', 'make', '-', 'will', 'work', 'people', 'should', 'when', 'all', 'just', 'see', 'if', 'It', 'which', 'way', 'We', 'me', 'up', 'data', 'get', 'why', 'us', "I'm", 'them', 'piece', 'If', "O'Reilly", 'better', 'its', 'also', 'And', 'he', 'now', 'technology', 'government', 'many', 'some', 'been', 'your', 'great', 'love', "It's", 'think', 'no', 'into', 'business', 'had', 'other', 'only', 'much', 'So'] Top 100 sans les mots fréquents : ['new', 'like', 'one', 'good', 'make', '-', 'work', 'people', 'see', 'way', 'data', 'get', 'us', "I'm", 'piece', "O'Reilly", 'better', 'also', 'technology', 'government', 'many', 'great', 'love', 'think', 'business', 'much'] Longs mots sans les urls : ['impossible.Technology', 'financialization,', 'collusion…could', 'transformative.)', 'public-relations', 'self-assessment!', 'forward-thinking', '¿ attend-listen-embarrass¿ ', 'algorithmically,', 'you!https://www.crowdpac.com/campaigns/100604', '#OReillySecurity', '#makesecurityeasy', 'doing.Individually,', 'producers…Like', 'October.http://www.inc.com/magazine/201606/sheila-marikar/lola-paul-english- uber.html', 'entrepreneurship', '(http://conferences.oreilly.com/nextcon/money- fintech-us)', 'life-threatening', "Thursday.¿ That's", 'post.)http://www.pressheretv.com/tim-oreilly/', 'humansofnewyork.com', '(https://medium.com/the-wtf-economy/the-wtf-economy-a3bd5f52ef00)', '(https://medium.com/the-wtf-economy/networks-and-the-nature-of-the- firm-28790b6afdcc).', '(http://conferences.oreilly.com/next-economy)', 'underrepresented', 'Republican-controlled', 'philanthropists,', 'Foundation.http://www.wsj.com/articles/sean-parker-philanthropy-for- hackers-1435345787', 'Michener)quoteinvestigator.com/2010/08/27/master/Thanks', '#FutureCrimesConvo,', 'www.futurecrimes.com', 'statistics:"Typically,', 'Super- interesting.', 'Brothers…"Their', 'innovation-resistant', 'software…"Get', 'Ireland.Incidentally,', 'level-headedness.', 'administration's', 'jasonmking@fs.fed.us', 'available:http://ebmakerfaire2014.eventbrite.com', 'Makers/Exhibitors/Performers,', 'Regulations?Evgeny', "backwards.Here's", 'opens:"Regulation', 'results."Consider,', 'outcome"Real-time', 'achieved"Algorithms', 'quasi-governmental', 'everyone"Adjustments', 'achieved"Contrast', 'outcome?"(http://beyondtransparency.org/chapters/part-5/open-data-and- algorithmic-regulation/).', 'condition."Lovely.And', 'opens:"Something's', 'codeforamerica.org.', 'interoperability', 'customizability.', '(drnkwines.com),', 'stream-processing', 'knowledge-sharing', 'Healthcare.govDraw', 'IndependenceThis', 'Palestinians:"This', 'national- authority'] 13
Nombre d'urls : 28 0 ('the', 844) 1 ('to', 512) 2 ('of', 465) 3 ('and', 429) 4 ('a', 362) 5 ('in', 264) 6 ('is', 238) 7 ('for', 208) 8 ('that', 191) 9 ('I', 170) 10 ('on', 156) 11 ('with', 122) 12 ('about', 118) 13 ('it', 110) 14 ('are', 105) 15 ('this', 101) 16 ('you', 100) 17 ('at', 100) 18 ('from', 85) 19 ('as', 84) 20 ('have', 81) 21 ('be', 76) 22 ('my', 73) 23 ('how', 72) 24 ('an', 72) 25 ('by', 69) 26 ('we', 61) 27 ('what', 60) 28 ('but', 57) 29 ('was', 56) 30 ('This', 54) 31 ('not', 52) 32 ('The', 50) 33 ('they', 50) 34 ('their', 49) 35 ('his', 46) 36 ('has', 46) 37 ('than', 45) 38 ('so', 44) 39 ('more', 43) 40 ('new', 43) 41 ('can', 42) 42 ('do', 42) 43 ('like', 41) 44 ('or', 39) 45 ('who', 38) 46 ('out', 38) 47 ('one', 37) 48 ('good', 35) 49 ('our', 35) 50 ('make', 35) 14
51 ('-', 33) 52 ('will', 32) 53 ('work', 29) 54 ('people', 29) 55 ('should', 29) 56 ('when', 29) 57 ('all', 29) 58 ('just', 29) 59 ('see', 28) 60 ('if', 28) 61 ('It', 27) 62 ('which', 27) 63 ('way', 27) 64 ('We', 27) 65 ('me', 27) 66 ('up', 27) 67 ('data', 26) 68 ('get', 26) 69 ('why', 26) 70 ('us', 25) 71 ("I'm", 25) 72 ('them', 25) 73 ('piece', 25) 74 ('If', 24) 75 ("O'Reilly", 24) 76 ('better', 24) … [24]: fdist = text.vocab() [25]: %matplotlib inline [26]: import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 1, figsize=(16,4)) fdist.plot(100,cumulative=True); 15
1.3.4 Exercice 2 Les notes de Tim O’Reilly parlent-elles des élections américaines ? Avec quelle fréquence ? Essayer “Hillary”,“Trump”, “vote”, d’autres idées ? Quelle distribution des termes sans les stopwords ? Vérifie-t-on la loi Zipf selon laquelle la fréquence des mots est inversement proportionnelle à son rang (le 10 ème mot est 10 fois moins présent que le premier) ? Et si l’on laisse les “stopwords” ? Proposer un indice du calcul de la diversité du vocabulaire de Tim O’Reilly. 1.3.5 Requeter les données Google + avec TF-IDF Le code ci-après permet d’indexer des textes en fonction d’un score de pertinence pour une requête donnée. En d’autres termes, vous avez un petit moteur de recherche :) [27]: import json import nltk path = 'ressources_googleplus/107033731246200681024.json' text_data = json.loads(open(path).read()) QUERY_TERMS = ['open','data'] activities = [activity['object']['content'].lower().split() \ for activity in text_data \ if activity['object']['content'] != ""] # Le package TextCollection contient un module tf-idf tc = nltk.TextCollection(activities) relevant_activities = [] for idx in range(len(activities)): score = 0 for term in [t.lower() for t in QUERY_TERMS]: score += tc.tf_idf(term, activities[idx]) if score > 0: relevant_activities.append({'score': score, 'title': text_data[idx]['title'], 'url': text_data[idx]['url']}) # Tri par score et présentation des résultats relevant_activities = sorted(relevant_activities, key=lambda p: p['score'], reverse=True) c=0 for activity in relevant_activities: if c < 6: print(activity['title']) print('\tLink: {}'.format(activity['url'])) print('\tScore: {}'.format(activity['score'])) c+=1 This is a really important piece about open data and platforms. Link: https://plus.google.com/+TimOReilly/posts/fo9uxWTctHb Score: 0.5498599632119789 I love new sources of trend data about technology adoption. We've used 16
variations of this for years … Link: https://plus.google.com/+TimOReilly/posts/FetXVRJeJFv Score: 0.17368671875174563 If you love Hamilton, as I do, and you're interested in data visualization, you'll find this fascinating… Link: https://plus.google.com/+TimOReilly/posts/NNsiSo8K7B7 Score: 0.16687547487912816 Data can play a great role in advancing sustainability. I'm quoted in this short video from Planet Labs… Link: https://plus.google.com/+TimOReilly/posts/45KX41Q2LN4 Score: 0.15760461516362104 Mark Cuban's tweet about data science in the NBA, featuring the image of his screen and an O'Reilly … Link: https://plus.google.com/+TimOReilly/posts/2hCQhfTaX5g Score: 0.14184415364725894 An excellent demonstration of why Open Access lowers the barriers to knowledge- sharing in science. This… Link: https://plus.google.com/+TimOReilly/posts/iQ4RdspWxbY Score: 0.13381568843277453 1.3.6 Exercice 3 • Tester d’autres termes de recherche (easy). Quelles limites voyez-vous ? • Tester d’autres fonctions tf-idf (faites par vous, en vous inspirant du code ” Exemple sur un petit corpus de 3 documents”) 1.3.7 Trouver des documents proches avec la similarité cosine [28]: import json import nltk path = 'ressources_googleplus/107033731246200681024.json' data = json.loads(open(path).read()) # Sélection des textes qui ont plus de 1000 mots data = [ post for post in json.loads(open(path).read()) \ if len(post['object']['content']) > 1000 ] all_posts = [post['object']['content'].lower().split() for post in data ] tc = nltk.TextCollection(all_posts) # Calcul d'une matrice terme de recherche x document # Renvoie un score tf-idf pour le terme dans le document td_matrix = {} for idx in range(len(all_posts)): post = all_posts[idx] fdist = nltk.FreqDist(post) doc_title = data[idx]['title'] url = data[idx]['url'] 17
td_matrix[(doc_title, url)] = {} for term in fdist.keys(): td_matrix[(doc_title, url)][term] = tc.tf_idf(term, post) [29]: distances = {} for (title1, url1) in td_matrix.keys(): distances[(title1, url1)] = {} (min_dist, most_similar) = (1.0, ('', '')) for (title2, url2) in td_matrix.keys(): #copie des valeurs (un dictionnaire étant mutable) terms1 = td_matrix[(title1, url1)].copy() terms2 = td_matrix[(title2, url2)].copy() #on complete les gaps pour avoir des vecteurs de même longueur for term1 in terms1: if term1 not in terms2: terms2[term1] = 0 for term2 in terms2: if term2 not in terms1: terms1[term2] = 0 #on créé des vecteurs de score pour l'ensemble des terms de chaque document v1 = [score for (term, score) in sorted(terms1.items())] v2 = [score for (term, score) in sorted(terms2.items())] #calcul des similarité entre documents : distance cosine entre les deux␣ ↪ vecteurs de scores tf-idf distances[(title1, url1)][(title2, url2)] = \ nltk.cluster.util.cosine_distance(v1, v2) [30]: import pandas as p df_dist=p.DataFrame(distances) df_dist.iloc[:5,:5] [30]: From an article about Walmart, their move to pay more, and the lessons for the broader economy: http… \ https://plus.google.com/+TimOReilly/posts/bqErtyYp6co "Surely Democrats and Republicans could agree t… https://plus.google.com/+TimOReilly/posts/1Lcxb… 9.415217e-01 Absolutely fascinating exploration of the micro… https://plus.google.com/+TimOReilly/posts/7EaHe… 9.699011e-01 Amazing story about digital transformation http… https://plus.google.com/+TimOReilly/posts/BRmKh… 9.862850e-01 Can We Use Data to Make Better Regulations?\n\n… 18
https://plus.google.com/+TimOReilly/posts/gboAU… 9.551053e-01 From an article about Walmart, their move to pa… https://plus.google.com/+TimOReilly/posts/bqErt… -2.220446e-16 Nassau, The Bahamas Airport Travel Advice\n\nIf anyone happens to travel to Nassau, the Bahamas, I thought… \ https://plus.google.com/+TimOReilly/posts/dpQDew7sPbu "Surely Democrats and Republicans could agree t… https://plus.google.com/+TimOReilly/posts/1Lcxb… 0.984552 Absolutely fascinating exploration of the micro… https://plus.google.com/+TimOReilly/posts/7EaHe… 0.976170 Amazing story about digital transformation http… https://plus.google.com/+TimOReilly/posts/BRmKh… 0.980943 Can We Use Data to Make Better Regulations?\n\n… https://plus.google.com/+TimOReilly/posts/gboAU… 0.975855 From an article about Walmart, their move to pa… https://plus.google.com/+TimOReilly/posts/bqErt… 0.963338 Amazing story about digital transformation http://www.codeforamerica.org/blog/2015/11/30/a-new-approach… \ https://plus.google.com/+TimOReilly/posts/BRmKh2ycaPe "Surely Democrats and Republicans could agree t… https://plus.google.com/+TimOReilly/posts/1Lcxb… 0.965728 Absolutely fascinating exploration of the micro… https://plus.google.com/+TimOReilly/posts/7EaHe… 0.973205 Amazing story about digital transformation http… https://plus.google.com/+TimOReilly/posts/BRmKh… 0.000000 Can We Use Data to Make Better Regulations?\n\n… https://plus.google.com/+TimOReilly/posts/gboAU… 0.967001 From an article about Walmart, their move to pa… https://plus.google.com/+TimOReilly/posts/bqErt… 0.986285 "Surely Democrats and Republicans could agree to cut billions from a failed program like this!" you … \ https://plus.google.com/+TimOReilly/posts/1Lcxb3b8VPH "Surely Democrats and Republicans could agree t… https://plus.google.com/+TimOReilly/posts/1Lcxb… 0.000000 Absolutely fascinating exploration of the micro… https://plus.google.com/+TimOReilly/posts/7EaHe… 0.983031 19
Amazing story about digital transformation http… https://plus.google.com/+TimOReilly/posts/BRmKh… 0.965728 Can We Use Data to Make Better Regulations?\n\n… https://plus.google.com/+TimOReilly/posts/gboAU… 0.897357 From an article about Walmart, their move to pa… https://plus.google.com/+TimOReilly/posts/bqErt… 0.941522 How fragile life is, even for the best of us. We heard this morning that our friend Jake Brewer was … https://plus.google.com/+TimOReilly/posts/jV8jeKeWWyf "Surely Democrats and Republicans could agree t… https://plus.google.com/+TimOReilly/posts/1Lcxb… 0.969433 Absolutely fascinating exploration of the micro… https://plus.google.com/+TimOReilly/posts/7EaHe… 0.974682 Amazing story about digital transformation http… https://plus.google.com/+TimOReilly/posts/BRmKh… 0.987102 Can We Use Data to Make Better Regulations?\n\n… https://plus.google.com/+TimOReilly/posts/gboAU… 0.964860 From an article about Walmart, their move to pa… https://plus.google.com/+TimOReilly/posts/bqErt… 0.982210 1.3.8 Exercice 4 • Quel document est le plus proche de celui-ci: https://plus.google.com/+TimOReilly/posts/7EaHeYc1BiB ? • Représenter la matrice de distance à l’aide d’une heatmap. • Que donne un clustering hiérarchique ? 2 Approche contextuelle Les approches bag-of-words, bien que simplistes, permettent de créer d’indexer et de comparer des documents. La prise en compte des suites de 2, 3 ou plus mots serait un moyen d’affiner de tels modèles. Cela permet aussi de mieux comprendre le sens des homonymes, et des phrases (d’une manière générale, la sémantique). nltk offre des methodes pour tenir compte du contexte : pour ce faire, nous calculons les n-grams, c’est-à-dire l’ensemble des co-occurrences successives de mots deux-à-deux (bigrams), trois-à-trois (tri-grams), etc. En général, on se contente de bi-grams, au mieux de tri-grams : - les modèles de classification, analyse du sentiment, comparaison de documents, etc. qui comparent des n-grams avec n trop grands sont rapidement confrontés au problème de données sparse, cela réduit la capacité prédictive des modèles ; - les performances décroissent très rapidement en fonction de n, et les coûts de stockage des données augmentent rapidement (environ n fois plus élevé que la base de donnée initiale). 20
2.0.1 Exemple avec un petit corpus [31]: import nltk sentence = "Mr. Green killed Colonel Mustard in the study with the " + \ "candlestick. Mr. Green is not a very nice fellow." print(list(nltk.ngrams(sentence.split(), 2))) txt = nltk.Text(sentence.split()) txt.collocation_list() [('Mr.', 'Green'), ('Green', 'killed'), ('killed', 'Colonel'), ('Colonel', 'Mustard'), ('Mustard', 'in'), ('in', 'the'), ('the', 'study'), ('study', 'with'), ('with', 'the'), ('the', 'candlestick.'), ('candlestick.', 'Mr.'), ('Mr.', 'Green'), ('Green', 'is'), ('is', 'not'), ('not', 'a'), ('a', 'very'), ('very', 'nice'), ('nice', 'fellow.')] [31]: ['Mr. Green'] 2.0.2 Analyse des co-occurences dans les données textuelles issues de Google + [32]: import json import nltk path = 'ressources_googleplus/107033731246200681024.json' data = json.loads(open(path).read()) # Nombre de co-occurrences à trouver N = 25 all_tokens = [token for activity in data for token in \ activity['object']['content'].lower().split()] finder = nltk.BigramCollocationFinder.from_words(all_tokens) finder.apply_freq_filter(2) #filtre des mots trop fréquents finder.apply_word_filter(lambda w: w in nltk.corpus.stopwords.words('english')) bigram_measures = nltk.collocations.BigramAssocMeasures() collocations = finder.nbest(bigram_measures.jaccard, N) for collocation in collocations: c = ' '.join(collocation) print(c) bottom, ¿ copyright brett goldstein 21
cabo pulmo nbc press:here nick hanauer press:here tv wood fired yuval noah silicon valley +jennifer pahlka barre historical computational biologist mikey dickerson saul griffith bay mini child welfare credit card east bay on-demand economy, white house drm-free ebooks humble bundle inca trail italian granite private sector 2.0.3 Exercice 5 • tester d’autres métriques que la distance de jaccard et comparer les résultats • extraire les tri-grams [33]: [34]: 22
Vous pouvez aussi lire