구현에는 이전에 작성한 "유사한 게시물 찾기"과 조대협님의 "NMF 알고리즘을 이용한 유사한 문서 검색과 구현"를 참고하였습니다. 그리고 구현 과정과 결과물을 아래에 간략하게 정리하였습니다
스팀잇 게시글 가져오기
steem api를 이용하여 내가 작성한 게시글(posts)을 모두 가져온다. 그리고 가져온 Post에서 분석에 필요한 데이터(title, body, author, permlink)만 사용한다.
from steem import Steem
from steem.blog import Blog
# 게시글(Post)에서 필요한 필드 정의
filter_post = ['title', 'body', 'author', 'permlink']
# 스팀잇 게시글 가져오는 함수
def loadSteem(username):
print('@%s님 글 가져오는 중...' % username)
b = Blog(username)
posts = b.all() # 게시글 모두 가져오기
# 필요한 데이터만 추려서 반환
return [{k: v for k, v in p.export().items() if k in filter_post} for p in posts]
# 스팀잇에서 글 가져오기
posts = loadSteem('anpigon')
posts # 결과 출력
형태소 분석
konlpy.Mecab를 이용하여 형태소 분석을 한다. 그리고 분석하는데 불필요한 품사는 모두 제거하였다. 품사 코드는 여기에서 참고하였다. 그리고 분석된 텍스트 데이터는 Pandas의 DataFrame 자료구조를 이용하여 처리하였다.
import pandas as pd
from konlpy.tag import Mecab
pos_tagger = Mecab()
# 분석에 필요한 품사 정의
filter_pos = ['NNG', 'NNP', 'NNB', 'NR', 'NP', 'VV', 'VA', 'VX', 'AX', 'VCP', 'VCN', 'MM', 'MAG', 'MAJ']
# 형태소 분석하는 함수 정의
def morphs(text):
tokens = pos_tagger.pos(text)
# 형태소 분석하여 필요한 품사의 단어만 문장으로 구성하여 반환
return ' '.join([word for word, pos in filter(lambda x: (x[1] in filter_pos), tokens)])
# DataFrame 객체 생성
df = pd.DataFrame(columns=['title', 'body'])
# 가져온 게시글(posts)을 DataFrame에 입력
for i, post in enumerate(posts):
key = post['author'] + '/' + post['permlink']
body = morphs(post['body']) # 형태소 분석
if len(body) > 10:
value = {
'title': post['title'],
'body': body,
}
df.loc[key] = value
Pandas는 데이터 구조 및 데이터 분석 도구를 제공하는 파이썬 라이브러리이다. 그리고 오픈 소스 BSD 라이센스를 가지고 있다. pandas.DataFrame의 기능은 pandas 문서를 참고하면 된다.
DataFrame의 head를 출력하면 아래와 같다.
Tfidf 를 이용한 단어의 벡터화 구현
tfidf 모델을 이용하여 단어를 벡터화한다. sklearn에서 제공하는 TfidfVectorizer를 이용하면 쉽게 구현할 수 있다. TfidfVectorizer 객체를 생성하고 fit_transform을 이용하여 body에 담겨있는 텍스트 데이터를 벡터화한다.
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer()
vectors = vectorizer.fit_transform(df['body'].tolist())
print(vectors.shape)
NMF를 이용하여 게시글에서 특성 추출
NMF를 이용하여 각 게시글에서 특성을 추출한다. NMF에 넘겨주는 n_components=10값은 특성을 10개로 압축하여 추출한다는 의미이다.
from sklearn.decomposition import NMF
vector_array = vectors.toarray()
nmf = NMF(n_components=10)
nmf.fit(vector_array)
features = nmf.transform(vector_array)
피쳐 정규화
Normalizer를 이용하여 features를 0 ~ 1 로 스케일링을 한다. sklearn에서 제공하는 Normalizer를 이용하면 쉽게 구현할 수 있다.
from sklearn.preprocessing import Normalizer
normalizer = Normalizer()
norm_features = normalizer.fit_transform(features)
df_features에 게시글별 특징과 인덱스를 가지고 데이타 프레임을 만들어서 생성한다. 인덱스는 author/permlink의 형태이다. 그리고 0 ~ 9 컬럼은 각 게시글의 특징이다.
df_features = pd.DataFrame(norm_features, index=df.index.tolist())
df_features.head()
문서 유사도 계산
이제 기존에 작성한 게시글에서 파이썬 머신러닝 #4 - 스팀잇 글 감정 분류하기 글과 유사한 게시글을 찾아보자. DataFrame.loc 함수를 이용하면 해당 게시글의 특성 행렬을 가져올 수 있다. 가져온 특성 행렬은 article에 저장한다.
article = df_features.loc['anpigon/4']
print(article[:10])
DataFrame.dot 함수를 이용하면, 한 게시글의 특성 행렬을 전체 게시글의 특성 행렬에 대해서 계산할 수 있다. 전체 게시글에서 각 게시글의 특성 행렬과 article의 특성 행렬을 곱한다. 그러면 article과 각 게시글에 대한 유사도가 계산된다. 이렇게 계산해서 나온 값이 큰 순으로 정렬해서 top에 저장한다. 그리고 유사도가 높은 순으로 게시글의 제목 10개를 출력해보자.
similarities = df_features.dot(article)
top = similarities.nlargest(10)
texts = df.loc[top.index].values
i = 0
for title, body in texts:
print('=== 유사도 %.4f: %s' % (top[i], title))
i += 1
파이썬 머신러닝 관련 글이 상위에 모두 있다. 그리고 유사도가 90%에 가깝게 나와서 만족한 결과가 나왔다.
이제 다른 사람이 작성한 게시글로 테스트해보자.
테스트 결과
결과를 보면
마지막으로 
"임·준·출" 시리즈 글이 상위권에 포진해 있지 않다. 아마도 "임·준·출" 시리즈는 매 번 주제가 바뀌어서 그런 것 같다.
단어를 벡터화해서 벡트 간의 거리 계산으로 유사한 글을 찾는 방법은 내용에 같은 단어가 많으면 유사한 글로 분류될 가능성이 높습니다. 그리고 Word2Vector와 딥러닝을 이용하면 정확도를 더 높일 수 있다고 합니다. Word2Vector와 딥러닝을 공부하고 난 후에 다시 도전해 볼 생각입니다.
여기까지 읽어주셔서 감사합니다.