1. 读邮件数据集文件，提取邮件本身与标签。

列表

numpy数组

 

2.邮件预处理

• 邮件分句
• 名子分词
• 去掉过短的单词
• 词性还原
• 连接成字符串

 

•  传统方法来实现
•  nltk库的安装与使用

pip install nltk

import nltk

nltk.download()     # sever地址改成 http://www.nltk.org/nltk_data/

或

https://github.com/nltk/nltk_data下载gh-pages分支，里面的Packages就是我们要的资源。

将Packages文件夹改名为nltk_data。

或

网盘链接：https://pan.baidu.com/s/1iJGCrz4fW3uYpuquB5jbew    提取码：o5ea

放在用户目录。

 

 

安装nltk

 

 

安装完成，通过下述命令可查看nltk版本：

import nltk

print nltk.__doc__

 

 

2.1 nltk库 分词

nltk.sent_tokenize(text) #对文本按照句子进行分割

nltk.word_tokenize(sent) #对句子进行分词

2.2 punkt 停用词

from nltk.corpus import stopwords

stops=stopwords.words('english')

*如果提示需要下载punkt

nltk.download(‘punkt’)

或 下载punkt.zip

https://pan.baidu.com/s/1OwLB0O8fBWkdLx8VJ-9uNQ  密码：mema

复制到对应的失败的目录C:\Users\Administrator\AppData\Roaming\nltk_data\tokenizers并解压。

 

2.3 NLTK 词性标注

nltk.pos_tag(tokens)

2.4 Lemmatisation（词性还原）

from nltk.stem import WordNetLemmatizer

lemmatizer = WordNetLemmatizer()

lemmatizer.lemmatize('leaves') #缺省名词

lemmatizer.lemmatize('best',pos='a')

lemmatizer.lemmatize('made',pos='v')

一般先要分词、词性标注，再按词性做词性还原。

2.5 编写预处理函数

def preprocessing(text):

sms_data.append(preprocessing(line[1])) #对每封邮件做预处理

 

3. 训练集与测试集

4. 词向量

5. 模型

import nltk

from nltk.corpus import stopwords

from nltk.stem import WordNetLemmatizer

import csv

 

def preprocessing(text):

    tokens = [];

    # 1.对录入的文本按照句子进行分割;

    for sent in nltk.sent_tokenize(text):

        # 2.对句子进行分词；

        for word in nltk.word_tokenize(sent):

            # 存放如token中

            tokens.append(word)

 

    #3.去除停用词(如i\me\my)

    stops=stopwords.words("english")

    tokens = [token for token in tokens if token not in stops]

 

    #4.大小写转换，并去掉短于3的词

    tokens=[token.lower() for token in tokens if len(token) >=3]

 

    #NLTK词性标注(

    nltk.pos_tag(tokens)

 

    #5.词性还原Lemmatisation

    # 定义还原对象

    lemmatizer=WordNetLemmatizer()

    # 名词

    tokens=[lemmatizer.lemmatize(token,pos='n')for token in tokens]

    # 动词

    tokens=[lemmatizer.lemmatize(token,pos='v')for token in tokens]

    # 形容词

    tokens=[lemmatizer.lemmatize(token,pos='a')for token in tokens]

    # 返回处理完成后的文本

    return tokens;

#数据读取

a=open("SMSSpamCollection",'r',encoding='utf-8')

a_data=[]

a_label=[]

csv_reader=csv.reader(a,delimiter='\t')

for line in csv_reader:  #预处理

    a_label.append(line[0])

    a_data.append(preprocessing(line[1]))

a.close()

#标题

print("标题内容：",a_label)

#处理后的邮件内容

print("处理后内容：")

for i in a_data:

    print(i)