自动文本分类

文本自动分类

分类： 文本挖掘 自然语言处理 数据挖掘 机器学习 2013-10-04 19:05  197人阅读  评论(5)  收藏  举报

使用机器学习方法 做文档的自动分类

套路：

1.根据每个文件 生成该文件的一个特征

2.根据特征 选择 分类器 进行文本分类

3.(可选)根据 2 步结果，调整参数/特征等

示例：

数据：搜狗文本分类语料库 精简版

分类器：朴素贝叶斯

编程语言：Python+nltk自然语言处理库+jieba分词库

 __author__ = 'LiFeiteng'
 # -*- coding: utf-8 -*-
 import os
 import  jieba
 import nltk


 ## 由搜狗语料库 生成数据
 folder_path = 'C:\LIFEITENG\SogouC.reduced\\Reduced'
 #folder_path = 'C:\LIFEITENG\SogouC.mini\Sample'
 folder_list = os.listdir(folder_path)
 class_list = [] ##由于乱码等问题 仅以数字[0,1,...]来代表文件分类
 nClass = 0
 N = 100 #每类文件 最多取 100 个样本 70%train 30%test
 train_set = []
 test_set = []
 all_words = {}
 import time
 process_times = [] ## 统计处理每个文件的时间
 for i in range(len(folder_list)):
     new_folder_path = folder_path + '\\' + folder_list[i]
     files = os.listdir(new_folder_path)
     class_list.append(nClass)
     nClass += 1
     j = 0
     nFile = min([len(files), N])
     for file in files:
         if j > N:
             break
         starttime = time.clock()

         fobj = open(new_folder_path+'\\'+file, 'r')
         raw = fobj.read()
         word_cut = jieba.cut(raw, cut_all=False)
         word_list = list(word_cut)
         for word in word_list:
             if word in all_words.keys():
                 all_words[word] += 1
             else:
                 all_words[word] = 0
         if j > 0.3 * nFile:
             train_set.append((word_list, class_list[i]))
         else:
             test_set.append((word_list, class_list[i]))
         j += 1
         endtime = time.clock()
         process_times.append(endtime-starttime)

         print "Folder ",i,"-file-",j, "all_words length = ", len(all_words.keys()),\
             "process time:",(endtime-starttime)


 print len(all_words)

 ## 根据word的词频排序
 all_words_list = sorted(all_words.items(), key=lambda e:e[1], reverse=True)
 word_features = []
 ## 由于乱码的问题，没有正确使用 stopwords；简单去掉 前100个高频项
 ## word_features 是选用的 word-词典
 for t in range(100, 1100, 1):
     word_features.append(all_words_list[t][0])

 def document_features(document):
     document_words = set(document)
     features = {}
     for word in word_features: ## 根据词典生成 每个document的feature True or False
         features['contains(%s)' % word] = (word in document_words)
     return features

 ## 根据每个document 分词生成的 word_list 生成 feature
 train_data = [(document_features(d), c) for (d,c) in train_set]
 test_data = [(document_features(d), c) for (d,c) in test_set]
 print "train number:",len(train_data),"\n test number:",len(test_data)

 ## 朴素贝叶斯分类器
 classifier = nltk.NaiveBayesClassifier.train(train_data)
 print "test accuracy:",nltk.classify.accuracy(classifier, test_data)

 ## 处理每个文件所用的时间 可见到后面 处理单个文件的时间显著增长
 ## 原因 已查明
 import pylab
 pylab.plot(range(len(process_times)), process_times, 'b.')
 pylab.show()

test上的正确率： 9个类别 74%

处理每个文件所用时间：

===============================

朴素贝叶斯：From 《数据挖掘概念与技术》

1.中文乱码问题，由于这个问题，在stopwords上简单去掉 前100个高频项 数据清洗不足

2.字典的选择上——简单以统计 所有文件词频，选用101-1100 1000个词作字典

   我觉得 字典完全可以从 数据上 学习(要比上面方法高明些)，就像在图像处理中 稀疏模型 学习字典(KSVD)一样

   自然语言处理/文本处理 中也应该存在这样的方法

3.文件的特征 是[0,0,1,0,0,1,...]并不是统计每个文件的词频，

   这跟选择的分类器相关，如果选择svm等 就要对文件 生成词频特征

4.到后面(见上图)，单个文件处理时间显著增长，原因待查明——已查明 if word in all_words.keys(): 改为all_words.has_key(word)

以 机器学习 的小无相功 打了一套 自然语言处理/文本挖掘 的招数

难免有些生硬  望专家指点

 

文本自动分类（续）

分类： 文本挖掘 数据挖掘 机器学习 2013-10-09 19:02  76人阅读  评论(0)  收藏  举报

文本自动分类

关于单个文本处理时间显著增长的讨论

今天下午  

使用了 stopwords 从网上搜了下 中文停用词

并解决了 Python 中文显示/输入输出的问题 line.decode('gbk')

 __author__ = 'LiFeiteng'
 # -*- coding: utf-8 -*-
 import os
 import  jieba
 import nltk

 ## 由搜狗语料库 生成数据
 folder_path = 'C:\LIFEITENG\SogouC.reduced\\Reduced'
 #folder_path = 'C:\LIFEITENG\SogouC.mini\Sample'
 folder_list = os.listdir(folder_path)
 class_list = [] ##由于乱码等问题 仅以数字[0,1,...]来代表文件分类
 nClass = 0
 N = 100  #每类文件 最多取 50 个样本 70%train 30%test
 train_set = []
 test_set = []
 all_words = {}
 import time
 process_times = [] ## 统计处理每个文件的时间
 for i in range(len(folder_list)):
     new_folder_path = folder_path + '\\' + folder_list[i]
     files = os.listdir(new_folder_path)
     class_list.append(nClass)
     nClass += 1
     j = 0
     nFile = min([len(files), N])
     for file in files:
         if j > N:
             break
         starttime = time.clock()

         fobj = open(new_folder_path+'\\'+file, 'r')
         raw = fobj.read()
         word_cut = jieba.cut(raw, cut_all=False)
         word_list = list(word_cut)
         for word in word_list:
             if all_words.has_key(word):#if word in all_words.keys():
                 all_words[word] += 1
             else:
                 all_words[word] = 0
         if j > 0.3 * nFile:
             train_set.append((word_list, class_list[i]))
         else:
             test_set.append((word_list, class_list[i]))
         fobj.close()
         j += 1
         endtime = time.clock()
         process_times.append(endtime-starttime)

         print "Folder ",i,"-file-",j, "all_words length = ", len(all_words.keys()),\
             "process time:",(endtime-starttime)


 ## 根据word的词频排序
 all_words_list = sorted(all_words.items(), key=lambda e:e[1], reverse=True)

 ## 由于乱码的问题，没有正确使用 stopwords；简单去掉 前100个高频项
 ## word_features 是选用的 word-词典
 stopwords_file = open('stopwords_cn.txt', 'r')
 stopwords_list = []
 for line in stopwords_file.readlines():
     #print line.decode('gbk')
     stopwords_list.append(line.decode('gbk')[:-2])
 #print stopwords_list

 def words_dict_no_use_stopwords(deleteN):
     #dict_name = "dict_"+str(deleteN)+".txt"
     #dict = open(dict_name, 'w')
     n = 0
     word_features = []
     for t in range(deleteN, len(all_words), 1):
             if n > 1000:
                         break
             #print all_words_list[t][0]
             #dict.writelines(str(all_words_list[t][0]))
             #dict.writelines(' ')
             n += 1
             word_features.append(all_words_list[t][0])
     return word_features
     #dict.close()

 def words_dict_use_stopwords(deleteN):
     #dict_name = "dict_stopwords_"+str(deleteN)+".txt"
     #dict = open(dict_name, 'w')
     n = 0
     word_features = []
     for t in range(deleteN, len(all_words), 1):
             if n > 1000:
                         break
             #print all_words_list[t][0]
             if all_words_list[t][0] not in stopwords_list and (not all_words_list[t][0].isdigit()):
                 #dict.writelines(str(all_words_list[t][0]))
                 #dict.writelines(' ')
                 n += 1
                 word_features.append(all_words_list[t][0])
     return word_features
     #dict.close()

 def document_features(document):
     document_words = set(document)
     features = {}
     for word in word_features: ## 根据词典生成 每个document的feature True or False
         features['contains(%s)' % word] = (word in document_words)
     return features

 def TextClassification():
     ## 根据每个document 分词生成的 word_list 生成 feature
     train_data = [(document_features(d), c) for (d,c) in train_set]
     test_data = [(document_features(d), c) for (d,c) in test_set]
     print "train number:",len(train_data),"\n test number:",len(test_data)
     ## 朴素贝叶斯分类器
     classifier = nltk.NaiveBayesClassifier.train(train_data)
     test_error = nltk.classify.accuracy(classifier, test_data)
     print "test accuracy:", test_error
     return test_error

 deleteNs = range(0, 1000, 20)
 test_errors_no_use = []
 test_errors_use = []
 for n in deleteNs:
     word_features = words_dict_no_use_stopwords(n)
     test_error = TextClassification()
     test_errors_no_use.append(test_error)

     word_features = words_dict_use_stopwords(n)
     test_error = TextClassification()
     test_errors_use.append(test_error)


 ## 处理每个文件所用的时间 可见到后面 处理单个文件的时间显著增长
 ## 原因 已查明
 import pylab
 plot1 = pylab.plot(deleteNs, test_errors_no_use)
 plot2 = pylab.plot(deleteNs, test_errors_use)
 pylab.legend(('no use stopwords', 'using stopwords'), 'best')
 #pylab.xlabel("no using stopwords")
 pylab.show()

对数据的处理：

由于没有事先的词典dict  

我的处理方法是：把所有文档的分词结果放到一个 dictionary里面，然后根据词频从高到低 排序

由于处理每个文档的时候，就没有去除一些杂乱信息，比如标点符号，无意义的数字等

所以 在试验中 构造最终词典(固定选取1000个词)的时候 逐渐去除词典的部分高频项，观察正确率的变化

（图像：纵轴代表分类9个文档的正确率，横轴-去除高频项的个数(0::20::1000)，绿线-使用停用词的正确率）

从测试准确率图像中可以看到此举 在初期还是有显著效果的 当去除更多高频词汇的数据时 正确率又会显著下降

这跟理论分析是符合的——应该观察排序后的字典，深入到数据中去

同时也可看到 使用停用词 在前半段 争取率有不错的提升

==========================================================

1.应该在 处理每个文本的时候  应该去除一些杂乱信息 减少内存占用等

2.如果在事先有 词典的情况下 可以直接提取文本特征

3.没有词典的时候， 程序员应该自己 构造词典 甚至在大量样本中 学习词典

4.特征维数的选取 在本文中固定 1000 维，可以做做 正确率关于维数的变化

5.特别说明：因为 分类器用的是 朴素贝叶斯 所以文本特征是 [TRUE, FALSE, ...]  文本是否包含字典中词的判别

  p(feature_i | C_k) = ... 见文本自动分类 贝叶斯介绍部分

   如果是使用 SVM softmax等 那么特征应该是 词频 或者 TDIDF等