NLP学习 Task 3 基于机器学习的文本分类 笔记
1. 文本表示方法
在自然语言领域，文本是不定长度的。文本表示成计算机能够运算的数字或向量的方法一般称为词嵌入（Word Embedding）方法。词嵌入将不定长的文本转换到定长的空间内，是文本分类的第一步。
（1）One - hot
将每一个字使用一个离散的向量表示。具体步骤：对每个字/词编码一个索引，然后根据索引对向量内的对应位置进行赋值。
句子1：我 爱 北 京 天 安 门
句子2：我 喜 欢 上 海
{
'我': 1, '爱': 2, '北': 3, '京': 4, '天': 5,
'安': 6, '门': 7, '喜': 8, '欢': 9, '上': 10, '海': 11
}
我：[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
爱：[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
...
海：[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1]
（2）Bag of Words，也称为 Count Vectors
Bag of Words（词袋表示），每个文档的字/词可以使用其出现次数来进行表示。
句子1：我 爱 北 京 天 安 门
转换为 [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0]
句子2：我 喜 欢 上 海
转换为 [1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1]
在 sklearn 中可以直接调用 CountVectorizer 来实现这一过程：
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?',
]
vectorizer = CountVectorizer()
vectorizer.fit_transform(corpus).toarray()
（3）N-gram
N-gram与Count Vectors类似，不过加入了相邻单词组合成为新的单词，并进行计数。如果N取值为2，则句子1和句子2就变为：
句子1：我爱 爱北 北京 京天 天安 安门
句子2：我喜 喜欢 欢上 上海
（4）TF - IDF
TF-IDF 分数由两部分组成：第一部分是词语频率（Term Frequency），第二部分是逆文档频率（Inverse Document Frequency）。其中计算语料库中文档总数除以含有该词语的文档数量，然后再取对数就是逆文档频率。
TF(t)= 该词语在当前文档出现的次数 / 当前文档中词语的总数
IDF(t)= log_e（文档总数 / 出现该词语的文档总数）
2. 基于机器学习的文本分类
对比不同文本表示算法的精度，通过本地构建验证集计算 f1 得分。
（1）Count Vectors + RidgeClassifier
# Count Vectors + RidgeClassifier
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import RidgeClassifier
from sklearn.metrics import f1_score
path_train_data = r'D:\DataWhale\DW_NLP\Competition_Data\train_set.csv'
train_df = pd.read_csv(path_train_data, sep='\t', nrows=15000) # pandas读取数据
# CountVectorizer会将文本中的词语转换为词频矩阵，它通过fit_transform函数计算各个词语出现的次数。
# max_features：默认为None，可设为int，对所有关键词的词频进行降序排序，只取前max_features个作为关键词集
vectorizer = CountVectorizer(max_features=3000)
train_test = vectorizer.fit_transform(train_df['text'])
clf = RidgeClassifier()
# fit(self, x, y, sample_weight=None) 拟合岭分类器模型
# x训练数据集，y标签值，sample_weight每个样本的单独权重
clf.fit(train_test[:10000], train_df['label'].values[:10000]) # 前10000个样本
# clf.predict(X)：Predict class labels for samples in X.(预测X中样本的类别标签)
val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))
# 0.7406241569237678
F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。
F1 = 2 x（precision x recall）/（precision + recall）
f1_score(val_true, val_pred, labels=None, pos_label=1, average='binary', sample_weight=None)
val_true ：目标的真实类别。
val_pred ：分类器预测得到的类别。
average ：[None, ‘binary’(default), ‘micro’, ‘macro’, ‘samples’, ‘weighted’] 如果是二分类问题则选择 binary；如果考虑类别的不平衡性，需要计算类别的加权平均，则使用 weighted；如果不考虑类别的不平衡性，计算宏平均，则使用 macro。
（2）TF-IDF + RidgeClassifier
# TF-IDF + RidgeClassifier
import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import RidgeClassifier
from sklearn.metrics import f1_score
path_train_data = r'D:\DataWhale\DW_NLP\Competition_Data\train_set.csv'
train_df = pd.read_csv(path_train_data, sep='\t', nrows=15000) # pandas读取数据
# 要提取的n-gram的n-values的下限和上限范围，在min_n（1） <= x <= max_n（3）区间的n的全部值，即1，2，3
tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000)
train_test = tfidf.fit_transform(train_df['text'])
clf = RidgeClassifier()
clf.fit(train_test[:10000], train_df['label'].values[:10000])
val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))
# 0.8721598830546126
关于TfidfVectorizer的参数的参考文章：https://blog.csdn.net/laobai1015/article/details/80451371
3. 补充
（1）尝试改变TF-IDF的参数，并验证精度
数据量越大，训练效果越好。max_feature越大，效果越好，但是达到一定程度，效果增加的不够明显。对于停用词，从结果来看，3750的最好，其次是648，最后是900，但其实648和900效果基本没什么差别。
（2）尝试使用其他机器学习模型，完成训练和验证
关于SVM参数的参考文章：https://blog.csdn.net/nc514819873/article/details/89331088
SVM和XGBoost的训练比较慢，但是效果比较好。