### 如何使用 Python 生成关键词图谱 为了生成关键词图谱，可以采用自然语言处理工具和图形可视化库相结合的方法。以下是具体方法： #### 使用 `spaCy` 进行文本预处理 `spaCy` 是一个强大的用于高级自然语言处理的库，在提取实体关系方面表现出色[^2]。 ```python import spacy nlp = spacy.load('en_core_web_sm') doc = nlp("Your text here.") entities = [(entity.text, entity.label_) for entity in doc.ents] print(entities) ``` 这段代码加载了一个小型英语模型并解析输入文本中的命名实体。 #### 构建关键词网络 通过分析文档集合中的共现模式来识别重要术语之间的联系。这通常涉及以下几个步骤： - **分词** 和去除停用词。 - 计算词语频率或 TF-IDF 值以确定权重较高的词汇。 - 创建节点代表各个关键字；边则表示它们之间存在的关联强度。 对于上述过程的第一步——即对文本进行分词，并建立词典，可借助于 Gensim 工具包完成[^1]。 ```python from collections import defaultdict from gensim.utils import simple_preprocess def preprocess(text): result = [] tokens = simple_preprocess(str(text)) for token in tokens: if token not in STOPWORDS and len(token) > 3: result.append(token) return result processed_docs = [preprocess(doc) for doc in documents] frequency = defaultdict(int) for doc in processed_docs: for word in doc: frequency[word] += 1 # 只保留出现次数超过一次的单词作为最终词汇表的一部分 vocab = set([word for word, freq in frequency.items() if freq > 1]) ``` 此部分实现了基本的数据清洗流程，包括转换成小写形式、移除标点符号以及过滤掉长度较短且无意义的字符串片段。 #### 绘制关键词图谱 一旦获得了经过清理后的语料库及其对应的特征向量空间表达方式之后，则可以通过 NetworkX 来创建有向加权图结构来进行展示。 ```python import matplotlib.pyplot as plt import networkx as nx G = nx.Graph() # 添加节点... for term in vocab: G.add_node(term) # ...并通过计算相似度得分或其他指标添加连接线（边） co_occurrence_matrix = compute_cooccurrences(processed_docs) threshold = determine_threshold(co_occurrence_matrix) for i, row in enumerate(co_occurrence_matrix): for j, weight in enumerate(row[i:], start=i): if abs(weight) >= threshold: G.add_edge(list(vocab)[i], list(vocab)[j], weight=weight) pos = nx.spring_layout(G) nx.draw_networkx_nodes(G, pos, node_size=[d * 50 for v, d in G.degree()]) nx.draw_networkx_edges(G, pos, alpha=0.4) nx.draw_networkx_labels(G, pos) plt.show() ``` 以上脚本会根据共同发生的频次建立起一张反映各主题间相互作用情况的地图视图。