中文文本分类的总结

文本分类算法从机器学习的“人工特征 + lr/svm/xgboost”，到深度学习的"word embedding + DNN"、“language model + decoder”，不断演变。

0.文本的预处理

1）清洗数据：带有HTML标签、URL地址等非文本内容，长串数字或字母、无意义的文本。

2）变形词识别和替换：特殊符号替换、同音近型替换（拼音首字母）、简繁替换

3）停用词与标点符号：采用官方词表，针对不同的场景做一些调整

1.文本特征&文本表示

以词还是以字来表示一个句子的输入特征，都需要进行尝试，只有效果相差不大，都需要保留下来做模型融合。

如果文本长度不同，取占比95%或者98%的长度最为最大长度，然后进行截断补齐

文本特征的提取：

方法一：分词之后采用One-hot或TF-IDF等方法将每个样本转化为固定长度的特征编码作为分类算法的输入。

方法二：采用N-gram模型（一般同时采用N为1到3的N-gram）保留词与词之间的的位置和顺序信息。

方法三：Word2Vec和GloVe，拼接Word2Vec和GloVe作为新的特征输入，直接相加或者求平均效果通常都不好。如果要找到最合适的词向量维度，可以看看NeurIPS 2018斯坦福的这篇论文《On the Dimensionality of Word Embedding》。

方法四：语言模型，例如ELMo和BERT

其他特征：是否出现长串数字的布尔值特征HAS_DIGITAL、长串数字按长度归一的DIGIAL_LEN_10、文本长度（形如“长文本_小明”、“短文本_学校”）

同时采用了多种特征方法，不妨对这些特征进行分桶标记。如对分词特征“小明”标记为“wordseg:小明”、对skip-gram特征“小明_学校”标记为“skipgram:小明_学校”。

 

特征选择方法：

卡方检验：

信息增益：

 

2.文本分类算法

短文本：CNN配合Max-pooling池化(如TextCNN模型)速度快，而且效果也很好。Capsules效果比CNN好，短文本LSTM/GRU+Capusules是一个不错模型，也是目前Kaggle Quora比赛上(短文本分类)最好的baseline之一。

长文本：

TextCNN：

工作机制是：卷积窗口沿着长度为n的文本一个个滑动，类似于n-gram机制对文本切词，然后和文本中的每个词进行相似度计算，因为后面接了个Max-pooling，因此只会保留和卷积核最相近的词。这就是TextCNN抓取关键词的机制。

HAN模型

HAN的论文是《Hierarchical Attention Networks for Document Classification》

识别句号：训练词向量频次第二高的几乎都是句号

 

 

如图可得，不同的场合适用不同的算法：

1）如果是在线分类场景，那么预测速度较快的算法应该成为首选

2）如果需要快速迭代，那么训练速度快且调参难度小的算法更合适

3）若不考虑时间开销，那么尝试对多个模型进行集成(Ensemble)是最常用的提升分类效果的方法

 

语料语义简单的分类任务，用传统机器学习方法即可：

1）逻辑回归

SVM：

PCA降维（36维），使用SVC模型预测涨跌

PCA：降维依据

     第一个是explained_variance_，它代表降维后的各主成分的方差值。方差值越大，则说明越是重要的主成分。

     第二个是explained_variance_ratio_，它代表降维后的各主成分的方差值占总方差值的比例，这个比例越大，则越是重要的主成分。

 

2）贝叶斯分类模型

 

3）主题模型

如果是像社交数据之类语义丰富的场景，可以考虑深度学习模型：

深度学习的FastText

基于CNN/RNN的分类模型：CNN擅长捕获局部特征，RNN擅长处理时序信息，注意力机制在模型效果不满足时可以考虑一试

DPCNN： https://zhuanlan.zhihu.com/p/35457093

基于预训练模型的BERT

 

3.具体实现

爬取：数据集，标注标签

文本的预处理：清洗与处理、去停、分词、

预训练：

训练wiki的word2vec模型，编码词向量后加权平均获得文档向量（400维）

 

代码借鉴：

https://github.com/huseinzol05/NLP-Models-Tensorflow/tree/master/text-classification

 

embedding

https://github.com/huseinzol05/NLP-Models-Tensorflow/tree/master/embedded

attention

https://github.com/huseinzol05/NLP-Models-Tensorflow/tree/master/attention