{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "# **Project4 | word2vec**\n", "

\n", "## **1 데이터 전처리**" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 살인의 추억 텍스트 불러오기\n", "filename = './data/movie_memories_of_murder_2003.txt'\n", "with open(filename, 'r', encoding='utf-8') as f:\n", " texts = f.read()\n", "texts[:500]" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "from txtutil import txtnoun\n", "skips = {'두만':'박두만', '태윤':'서태윤', '용구':'조용구', '귀옥':'권귀옥', \n", " '희봉':'구희봉', '동철':'신동철', '광호':'백광호', '병순':'조병순', \n", " '해일':'박해일', '광호의':'백광호', '백광호의':'백광호'}\n", "texts = txtnoun(filename, skip=skips, tags=['Noun'])\n", "texts[:500]" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 명사 Token 작업된 자료를 ssResport.txt 로 저장 \n", "script_file = './data/mom_script.txt'\n", "with open(script_file, 'w', encoding='utf-8') as file:\n", " file.write(texts)\n", " \n", "print(\"전처리 완료된 대본파일 저장 : {}\".format(script_file))" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# ! cat ./data/ssResport.txt | head -n 10" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "## **2 Word 2 vec 객체 만들기**\n", "gensim" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# ! pip3 install gensim" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "%%time\n", "from gensim.models import word2vec\n", "data = word2vec.LineSentence(script_file)\n", "model = word2vec.Word2Vec(data, size=30, window=2, min_count=10, hs=1,\n", " workers=4, iter=100, sg=1)\n", "\n", "model_file = \"./data/mom_script.model\"\n", "model.save(model_file)\n", "print(\"Word 2 Vec 모델 파일 {} 저장완료\".format(model_file))" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "## **3 저장된 모델 불러오기 및 확인**\n", "gensim" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "%reset" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "%who" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "model_file = \"./data/mom_script.model\"\n", "\n", "from gensim.models import word2vec\n", "model = word2vec.Word2Vec.load(model_file)\n", "len(model.wv.vocab.keys())" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "list(model.wv.index2word)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "## **4 Word2Vec 모델 내용 확인**\n", "모델을 활용하여 유력한 범인을 찾아보자!!\n", "\n", "" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 범인과 관련된 내용 중 사람이름이 안나옴...\n", "model.wv.most_similar('범인', topn=10)" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 현장과 가장 가깝게 등장한 인물이 1명 등장\n", "model.wv.most_similar('현장', topn=30)" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 현장 과 백광호 와 밀접한 증거들 중에 방해가 되는 내용을 찾는다\n", "model.wv.most_similar(['현장','백광호'], topn=20)" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# 현장 과 백광호 와 밀접한 증거들 중에 '참깨밭' 이 계속 방해가 됨\n", "# 참깨밭에 백광호가 밀접하게 연결되어 있어서 이를 제외한 분석이 필요\n", "model.wv.most_similar(['현장','백광호'], negative=['참깨밭'], topn=20)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "## **5 Visulaization**\n", "gensim" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "list(model.wv.vocab.keys())[:10]" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# model.wv.vocab : { word: object of numeric vector }\n", "vocab = list(model.wv.vocab)\n", "X = model[vocab]\n", "X.shape" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "%%time\n", "from sklearn.manifold import TSNE\n", "tsne = TSNE(n_components = 2)\n", "X_tsne = tsne.fit_transform(X)" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "import pandas as pd\n", "df = pd.DataFrame(X_tsne, \n", " index = vocab, \n", " columns = ['x', 'y'])\n", "df.head()" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "%matplotlib inline\n", "from matplotlib import rc\n", "rc('font', family=['NanumGothic','Malgun Gothic'])\n", "\n", "import matplotlib.pyplot as plt\n", "fig = plt.figure(figsize=(12,12))\n", "ax = fig.add_subplot(1, 1, 1)\n", "ax.scatter(df['x'], df['y'])\n", "for word, pos in df.iterrows():\n", " ax.annotate(word, pos, fontsize=15)\n", "plt.grid(True)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "

\n", "## **6 결과의 해석 및 활용**\n", "1. 유사관계, 반대관계로 **출력된 모든 Token들이 가치가 있지는 않다**\n", "1. **min_count, Vector 갯수** 2가지 조건만 사용하여 모델을 생성한다\n", "1. Word2Vec 도 **문서를 분석하는 도구**에 불과 (절대적 **가치를 창출하는 기법** 으로 오해 X)\n", "1. 해당 분야의 **잘 정리된 Document로 학습한 Word2Vec 모델** 에서 **유의미 한 token 들의 관계** 를 Template으로 잘 정리\n", "1. 분석대상 문서를 **유사한 조건으로 word2vec 모델** 을 만들고, **앞에서 정리된 Template와** 비교하여 결과\n", "다듬기\n", "1. 시나리오의 분석 경우\n", " 1. 결과물 중 인물의 Token 만 활용하여 분석\n", " 1. 결과물 중 증거물의 Token 만 활용하여 분석\n", " 1. 결과물 중 장소의 Token 만 활용하여 분석" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# model 에 등장하는 인물들\n", "charator = [\"박두만\", \"서태윤\", \"조용구\", \"권귀옥\", \"구희봉\", \"신동철\", \"백광호\",\n", " \"조병순\", \"박해일\", \"박보희\", \"이향숙\", \"독고현순\", \"박명자\", \"안미선\", \n", " \"반장\", \"소현\", \"범인\", \"형사\", '괴남자', '순경','피해자', '권기옥','용의자']" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# model 에 등장하는 장소명 들\n", "area = ['현장', '사무실', '취조실', '변소', '참깨밭', '빗줄기', '어둠속', '언덕집']" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [ "# model 에 등장하는 Item 들\n", "items = ['브래지어', '팬티', '우산', '운동화', '스타킹', '목소리', '불빛', '음악', '후레쉬', \n", " '카메라', '라디오', '방송', '유전자', '가방', '코피', '휴지', '신문', '총구']" ] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.6.3" } }, "nbformat": 4, "nbformat_minor": 2 }