TF-IDF算法：用 Python 提炼财经新闻

在信息爆炸的今天，我们不可能阅读所有的新闻，那么如果我们使用机器学习，特别是tf-idf算法，如何从所有网络上的文本中获得最重要的信息呢？

这篇文章是使用已知的tf-idf算法从网上获取关键信息的一个案例。目的是鼓励你利用它，并将其纳入一些市场投资策略或任何其他用途。

TF-IDF

TF-IDF这个词来自于“术语频率--逆向文档频率”。这项技术的目标是计算一个词在一个文件中出现的次数。

第一部分，也就是TF，计算你看到每个词的次数。然而，当你计算像"a "这样的常用词的值时，这可能会犯一些错误。这类词被称为停止词，它们指的是冠词、代词、助词等等。这些词可以让你建立一个可以理解的句子，但这些并不真正具有意义。因此，由于它们被广泛使用，它们会有一个高的TF。

考虑到这一点，该技术试图用IDF这个词来纠正这个错误。这一部分修改了TF，考虑到一个词在大量文本中的使用次数。从这个意义上说，如果很多文本多次使用一个词，它的Tf将被惩罚，它将被降低。

作为tf-idf结果的一个例子，我们来看看这些句子。"I’m traveling to Paris this week"，"There will be so many journeys to Paris next week"，"Paris is supposed to receive a lot of tourists"。假设我们去掉了停顿词，那么Paris这个词在每个句子中的频率1；但是Paris相对于句子中的其他词的重要性是巨大的，因为Paris出现在所有的句子中。

总而言之，这种技术给了我们一个衡量一个词在文本中的重要性的标准。

实际案例

让我们看一个非常简单的案例，使用TF-IDF来识别历史上的主要话题。

数据集

我们从2009年到2020年的几个英文文本中抽取了一组新闻和观点。我们的数据集包含了日期、标题、新闻正文和被提及的股票。在这篇文章中，我们将只使用日期和标题，因为我们的目标是要抓住主要话题。

预处理

当你处理文本时，必须对文本进行处理，以避免模型中的噪点。也就是说，这些文本应该是清晰的，而且格式相同。因此，我们用以下方式处理了我们的原始文本，通过使用python中的nltk库得到了处理后的文本。

所有的字都用小写。
删除数字和首字母。
删除停顿词。
删除标点符号。
词义化。这意味着将该词还原为一个词的词根同义词。由于de输入 "pos"，可以确定词根是来自形容词、动词还是名词。
删除常见的词，如“wall street”, “market”, “stock”, “share”, …

import nltk
from


    
 nltk.stem importWordNetLemmatizer
import re

stopwords = nltk.corpus.words('english')
lemmatizer = WordNetLemmatizer()

processed_text = re.sub('[^a-zA-Z]', ' ',original_text)
processed_text = processed_text.lower()
processed_text = processed_text.split()
processed_text = [lemmatizer.lemmatize(word, pos='a') for word in processed_text if word notin set(stopwords)]



    
processed_text = [lemmatizer.lemmatize(word, pos='v') for word in processed_text if word notin set(stopwords)]
processed_text = [lemmatizer.lemmatize(word, pos='n') for word in processed_text if word notin set(stopwords)]
processed_text = ' '.join(processed_text)
processed_text = re.sub('stock', '', processed_text)

模型

下一步是创建符合我们目的的模型。因此，我们使用python中的sklearn库。由于我们想知道每个日期的关键信息，我们使用 TfidfVectorizer模型。这允许我们设置关键特征的数量，我们将其设置为8个最大特征。

from sklearn.feature_extraction.text importTfidfVectorizer


    
tf_idf_model = TfidfVectorizer(max_features=8)
processed_text_tf = tf_idf_model.fit_transform(preprocessed_texts)
tf_idf_values = tf_idf_model.idf_
tf_idf_names = tf_idf_model.get_feature_names()

接下来，我们每天用当天数据集中的所有新闻片段来应用这个模型。注意，这个模型不需要训练，因为它是一个确定的算法。通过这种方式，我们得到一组8个代表当天关键信息的词。同样，每个词都有一个tf-idf值，表示它在当天的重要性。

结果

最后，我们将结果总结为以下图表。在这些图表中，出现了模型中的所有相关词汇，在方框中则是相关的新闻。为了澄清结果，第一个图表包含了2019年上半年的信息，第二个图表反映了2019年下半年的情况。

2019年1月至2019年6月的相关议题和相关新闻

2019年7月至2020年1月的相关议题和相关新闻

总结

该模型似乎可以从大量的新闻作品中提取出最重要的词语。最大的挑战是如何利用这个模型提炼信息后，制定一个有利于我们投资的策略。

- 点击下方阅读原文加入社区会员 -