本文爬取了十款热销手机的文本评论数据后，首先对文本评论数据做文本预处理，文本评论数据中存在大量的无价值信息，引入无用的文本数据，对其作情感分析，显然没有价值，得出的文本挖掘结果也不尽人意。所以对于文本评论数据先进行文本预处理是必不可少的一步，把大量的、冗余的、无价值的信息去除，可以极大提高文本数据的质量，精确文本分析结果。
1 文本去重
1.1文本去重的原因
文本数据预处理时，首先应去除文本评论数据中反复出现的语句部分，当消费者长时间无评论时，系统会默认好评，分析这类重复内容无意义，且大量重复出现这种无价值的评论，应该去除。在商品评论中，有时还会出现人为的复制粘贴别人的评论，显然，这种复制粘贴的评论信息会对于我们的文本处理产生影响，若不处理，会对于评论结果产生影响，影响结果的准确性。
1.2文本去重算法的缺陷
Simhash算法、编辑距离去重算法等常用于文本去重中，通过计算文本相似度来文本去重存在问题。比如，编辑距离算法就存在着很大缺陷，计算两条语句编辑距离的阈值，当阈值小于某个范围则去重，这种方法对于文本数据不能完全去重，而只是去除接近重复语句段落的评论数据。
1.3文本去重选用的方法及原因
编辑距离算法会去除有用的评论数据，此时需要提出一些其他的文本去重方法，用来改进该算法。语料相近也会存在一些有价值的信息，不能完全去除这部分信息，所以，处理完全重复的语料以保留更多有用的信息。比较删除法通过比较两两重复的语句来去除完全重复的语句，实现文本去重，保留更多有用信息的目的。
本文使用比较删除法对文本评论数据做去除重复文本的处理，比较删除法可以有效的对于文本重复部分进行处理，这种方法的文本去重效果明显，并且，在实际应用中，操作简单，常用于自然语言处理过程中，针对两种完全相同的文本评论数据，通过比较删除法，可以保留更多相似的文本数据，去重效果鲜明，通过比较删除法，处理无效的文本评论数据如下表所示：
2 机械压缩去词
2.1机械压缩去词思想
比较删除法去除了完全重复、无意义的文本数据。但是不同品牌的手机有不同的评价内容，很多评论信息都是冗余的、无实际意义的，文本去重的初步处理不能完全去重，评论数据中有些语句显得重复、啰嗦，例如：
“挺好挺好挺好挺好挺好挺好挺好”
这是一类重复、连续毫无意义的文本评论数据，虽然这一类语料无语料重复，但是需要用机械压缩去词的方法处理这类评论数据，例如：
把“挺好挺好挺好挺好挺好挺好挺好”缩成“挺好”
2.2机械压缩去词处理
机械压缩去词处理以建立两个列表存放国际字符为前提，制定出严格的压缩规则，判断两个列表中的语料是否重复、连续，首先，放置第一个列表，再放置第二个列表，按照不同情况依次读取国际字符，将其放入到第一个或者第二个列表来，触发压缩判断是否重复、连续，如果得出重复的规则，那么考虑用压缩去除的办法，需要提前设置压缩规则，以及放置的判断。在设置压缩规则，以及放置判断的时候，需要考虑词法结构所带来的影响。
本文依据机械压缩去词原理处理文本前后数据对比如下表所示。
3 短句删除
3.1短句删除的原因
根据语言的特点，如果一条语料所包含的字数越少，那么这条语料所表达的含义越少，内容越不丰富，如果在文本评论中要表达更多的含义和内容，需要增加更多的语料词数，过少文本评论字数，没有实际的表达含义，常见的短句有三个字或者两个字，比如“还不错”“都挺好”“很好”“不错”等等。为了提高文本处理结果的精度，删除短句，可以提高文本数据质量。
3.2文本评论字数确定
保持文本数据中评论字数的下限是确定删除短句的关键步骤。通常认为4~8个国际字符是一个合理的字数下限。根据具体的语料库情况和文本语料库的特征，设置适当的文本字数下限。
本文首先统计每一条文本评论数据的长度，通过计算每一条文本评论数据的长度，筛选长度大于4的文本评论数据，实现短文本评论数据的删除，短句删除无效的评论数据如下表所示：
4 中文文本评论分词
在中文的语料结构中，“词”与“词组”无严格的分界符将他们两进行划分。在挖掘和分析中文文本数据时，应根据特定的规则重新组合中文分词序列。
良好的分词结果可以使得文本挖掘结果更加精确，若分词结果模糊，将直接影响到词语在文本处理中的带来的效果，影响到主题的提取，不同的分词结果，会呈现出不同的特征选取效果。
4.1中文分词方法
最大概率法和最大匹配法在中文分词处理中最常用。衍生出双向匹配方法、逆向最大匹配方法、最佳匹配方法，这三种方法同样适用于中文分词处理中，其中，逆向最大匹配方法有着与正向最大匹配方方法方向不同的特征，在中文分词处理过程中，与正向最大匹配法的中文分词处理相比，很明显，逆向最大匹配法更适合中文分词处理。而双向匹配法比较了正向和逆向两者的中文分词结果，从而确定最优的中文分词结果；最佳匹配法可以有效的提高匹配效率，这种匹配方法按照顺序将词典中频度高的单词排在前，频度低的单词排在后。
4.2文本评论分词方法
在文本评论分词处理中，常用Python中文分词库和snownlp文本处理库对于文本数据进行文本分词处理。
jieba（结巴）分词包是Python中一个强大的分词库，用于语料分词处理，可以实现高效的扫描词图，根据前缀字典生成不同的中文分词结果。通过搜索最大概率路径，可以对有向无环图进行动态规划。对于未登录的语料库，基于维特比算法模型和HMM模型，中文分词会处理未登录的语料库。
Snownlp库可以做文本分析，例如文本分类，中文分词，情感分析和文本关键字的提取。受TextBlob的启发，Snownlp是Python编程语言中的类库。它可以简单地处理中文文本内容，对于中文的自然语言处理问题，编写一个类库来处理中文语料库，并且自带一些受过训练的词典来方便分词。
本文借助Python的jieba分词包，对小米手机商品评论数据做中文分词处理。研究表明，使用Python的jieba分词包，其分词精度达到97%以上，分词效果明显，本文文本分词前后对比如下表所示。
PS:由于本例编写的python代码过长，将本专辑所有的代码封装在后台保存，附加爬取的京东商品评论数据。
公众号后台回复
京东商品评论
获取封装代码和文本数据
