菜鸟进阶： C++实现KNN文本分类算法
作者:finallyliuyu(转载请注明原作者和出处)
（代码暂不发布源码下载版，以后会发布）
KNN文本分类算法又称为(k nearest neighhor)。它是一种基于事例的学习方法，也称懒惰式学习方法。
它的大概思路是：对于某个待分类的样本点，在训练集中找离它最近的k个样本点，并观察这k个样本点所属类别。看这k个样本点中，那个类别出现的次数多，则将这类别标签赋予该待分类的样本点。
通过上面的描述，可以看出KNN算法在算法实现上是很简单的，并不十分困难。
- 给出代码之前，先给出实验条件。
1。语料库格式：
语料库存放在MSSQLSERVER2000的数据库的表单中，表单格式如下：
![TIDJ01S{T~M_[N{]5)`8%PK](http://images.cnblogs.com/cnblogs_com/finallyliuyu/WindowsLiveWriter/CKNN_134ED/TIDJ01S%7BT~M_%5BN%7B%5D5)%608%25PK_2.jpg "TIDJ01S{T~M_[N{]5)`8%PK")
(fig 1)
2。如何获得该形式的语料库？
你可以从搜狗lab下载2008年的数据，并且用我的程序对这批数据进行处理，抽取出新闻。处理程序见《菜鸟学习C++练笔之整理搜狗2008版语料库--获取分类语料库》或者去下载我上传到博客园的语料资源见《献给热衷于自然语言处理的业余爱好者的中文新闻分类语料库之二》
3。分割出训练语料库与测试语料库（训练语料库和测试语料库也是MSSQL表单，格式同fig1）。关于MSSQLSERVER的一些表复制的技巧见：《MSSQL语句备份》
- 下面开始给出C++代码：
如果一些函数代码没有给出，请您参阅《菜鸟进阶：C++实现Chi-square 特征词选择算法》以及K-means文本聚类系列（已经完成）
建立VSM模型（考虑到效率问题对训练样本集合与测试样本集采用不同的函数建立VSM模型）
1。对训练集建立VSM模型。
*****************以下函数辅助完成聚类功能*********************************************************************8**********************/
/************************************************************************/
/* 建立文档向量模型 */
/************************************************************************/
map<int,vector<double> > Preprocess::VSMConstruction(map<string,vector<pair<int,int>>> &mymap)
{
clock_t start,finish;
double totaltime;
start=clock();
int corpus_N=endIndex-beginIndex+1;
map<int,vector<double>> vsmMatrix;
vector<string> myKeys=GetFinalKeyWords();
vector<pair<int,int> >maxTFandDF=GetfinalKeysMaxTFDF(mymap);
for(int i=beginIndex;i<=endIndex;i++)
{
vector<pair<int,double> >tempVSM;
vector<double>tempVSM2;
for(vector<string>::size_type j=0;j<myKeys.size();j++)
{
//vector<pair<int,int> >::iterator findit=find_if(mymap[myKeys[j]].begin(),mymap[myKeys[j]].end(),PredTFclass(i));
double TF=(double)count_if(mymap[myKeys[j]].begin(),mymap[myKeys[j]].end(),PredTFclass(i));
TF=0.5+(double)TF/(maxTFandDF[j].first);
TF*=log((double)corpus_N/maxTFandDF[j].second);
tempVSM.push_back(make_pair(j,TF));
}
if(!tempVSM.empty())
{
tempVSM=NormalizationVSM(tempVSM);
//
for(vector<pair<int,double> >::iterator it=tempVSM.begin();it!=tempVSM.end();it++)
{
tempVSM2.push_back(it->second);
}
vsmMatrix[i]=tempVSM2;
}
tempVSM.clear();
tempVSM2.clear();
}
finish=clock();
totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
cout<<"为训练语料库集合建立VSM模型共用了"<<totaltime<<endl;
return vsmMatrix;
}
2。对测试集建立VSM模型。
这里值得一提的是在tf-idf计算特征VSM模型特征词权重的时候，tf:计算的是该词在该篇文章中出现的次数。idf:用的是训练集计算出的idf值。原因在于：在一个分类系统，我们假设代分类的文档是一篇一篇进入分类系统中来的。
/************************************************************************/
/* 获得待分类文档集合的VSM模型 */
/************************************************************************/
map<int,vector<double>> Preprocess::GetManyVSM(int begin,int end,map<string,vector<pair<int,int>>> &mymap)
{
map<int,vector<double> > testingVSMMatrix;
vector<string>keywords=GetFinalKeyWords();
char * selectbySpecificId=new char [1000];
memset(selectbySpecificId,0,1000);
sprintf_s(selectbySpecificId,1000,"select ArticleId,CAbstract from Article where ArticleId between %d and %d",begin,end);
set<string>stopwords=MakeStopSet();
if(!ICTCLAS_Init())
{
printf("ICTCLAS INIT FAILED!\n");
string strerr("there is a error");
}
ICTCLAS_SetPOSmap(ICT_POS_MAP_SECOND);
//导入用户词典后
printf("\n导入用户词典后：\n");
int nCount = ICTCLAS_ImportUserDict("dict.txt");//覆盖以前的用户词典
//保存用户词典
ICTCLAS_SaveTheUsrDic();
printf("导入%d个用户词。\n", nCount);
CoInitialize(NULL);
_ConnectionPtr pConn(__uuidof(Connection));
_RecordsetPtr pRst(__uuidof(Recordset));
pConn->ConnectionString="Provider=SQLOLEDB.1;Password=xxxx;Persist Security Info=True; User ID=sa;Initial Catalog=ArticleCollection";
pConn->Open("","","",adConnectUnspecified);
pRst=pConn->Execute(selectbySpecificId,NULL,adCmdText);
while(!pRst->rsEOF)
{
string rawtext=(_bstr_t)pRst->GetCollect("CAbstract");
if(rawtext!="")
{
string tempid=(_bstr_t)pRst->GetCollect("ArticleId");
int articleid=atoi(tempid.c_str());
vector<string>wordcollection=goodWordsinPieceArticle(rawtext,stopwords);//表示这篇文章的词
vector<pair<int,int> >maxTFandDF=GetfinalKeysMaxTFDF(mymap);
int corpus_N=endIndex-beginIndex+1;
vector<pair<int,double> >tempVSM;
vector<double>vsm;
for(vector<string>::size_type j=0;j<keywords.size();j++)
{
double TF=(double)count_if(wordcollection.begin(),wordcollection.end(),GT_cls(keywords[j]));
TF=0.5+(double)TF/(maxTFandDF[j].first);
TF*=log((double)corpus_N/maxTFandDF[j].second);
tempVSM.push_back(make_pair(j,TF));
}
if(!tempVSM.empty())
{
tempVSM=NormalizationVSM(tempVSM);
for(vector<pair<int,double> >::iterator it=tempVSM.begin();it!=tempVSM.end();it++)
{
vsm.push_back(it->second);
}
testingVSMMatrix[articleid]=vsm;
}
}
pRst->MoveNext();
}
pRst->Close();
pConn->Close();
pRst.Release();
pConn.Release();
CoUninitialize();
delete []selectbySpecificId;
ICTCLAS_Exit();
return testingVSMMatrix;
}
对VSM序列化和反序列化的操作
/************************************************************************/
/* 将VSM模型序列化到本地硬盘 */
/************************************************************************/
void Preprocess::SaveVSM(map<int,vector<double> >&VSMmatrix,char* dest)
{ clock_t start,finish;
double totaltime;
start=clock();
ofstream ofile(dest,ios::binary);
for(map<int,vector<double> >::iterator it=VSMmatrix.begin();it!=VSMmatrix.end();++it)
{
ofile<<it->first<<endl;
vector<double>::iterator subit;
ofile<<it->second.size()<<endl;
for(subit=(it->second).begin();subit!=(it->second).end();++subit)
{
ofile<<*subit<<" ";
}
ofile<<endl;
}
ofile.close();
finish=clock();
totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
cout<<"将语料库集合的VSM模型为序列化到硬盘的时间为"<<totaltime<<endl;
}
/************************************************************************/
/* 加载VSM模型到内存 */
/************************************************************************/
void Preprocess::LoadVSM(map<int,vector<double> >&VSMmatrix,char* dest)
{
clock_t start,finish;
double totaltime;
start=clock();
ifstream ifile(dest,ios::binary);
int articleId;//文章id；
int lenVec;//id对应的vsm的长度
double val;//暂存数据
vector<double>vsm;
while(!ifile.eof())
{
ifile>>articleId;
ifile>>lenVec;
for(int i=0;i<lenVec;i++)
{
ifile>>val;
vsm.push_back(val);
}
VSMmatrix[articleId]=vsm;
vsm.clear();
}
ifile.close();
finish=clock();
totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
cout<<"加载VSM模型到内存的时间为"<<totaltime<<endl;
}
对一篇文章用KNN方法进行分类的函数（这里距离的定义采用余弦相似度）：
/************************************************************************/
/* 对一篇文章分类获取其类别标签 N为KNN中的N的取值 */
/************************************************************************/
string Preprocess:: KNNClassificationCell( int N,vector<double>vsm,vector<string>categorization,map<string,vector<pair<int,int>>> &mymap,map<int,vector<double> >&trainingsetVSM){
clock_t start,finish;
double totaltime;
start=clock();
string classLabel;
//map<int,vector<double> >trainingsetVSM=VSMConstruction(mymap);
//vector<double>toBeClassifyDoc=GetSingleVSM(articleId,mymap);
vector<pair<int,double> >SimilaritySore;//保存待分类样本与训练样本集的测试得分
//计算相似度得分
for(map<int,vector<double> >::iterator it=trainingsetVSM.begin();it!=trainingsetVSM.end();it++)
{
double score=CalCosineofVectors(vsm,it->second);
SimilaritySore.push_back(make_pair(it->first,score));
}
//将相似度运算结果从高到底排序
stable_sort(SimilaritySore.begin(),SimilaritySore.end(),isLarger2);
ostringstream out;
string articleIds;
out<<"(";
int putComma=0;
for(vector<pair<int ,double> >::size_type j=0;j<N;j++)
{
out<<SimilaritySore[j].first;
if(putComma<N-1)
{
out<<",";
}
putComma++;
}
out<<")";
articleIds=out.str();//获得和待分类文档距离最近的前N个文档的id字符串
vector<string> labels=GetClassification(articleIds);
for(vector<string>::iterator it=labels.begin();it!=labels.end();it++)
{
trim(*it," ");
}
vector<pair<string,int> >vectorAssit;
for(int i=0;i<categorization.size();i++)
{
int num=count_if(labels.begin(),labels.end(),GT_cls(categorization[i]));
vectorAssit.push_back(make_pair(categorization[i],num));
}
stable_sort(vectorAssit.begin(),vectorAssit.end(),isLarger);
finish=clock();
totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
cout<<"对一篇文章进行KNN分类的时间为"<<totaltime<<endl;
return vectorAssit[0].first;
}
根据articleid 读取数据库获取类别的函数
************************************************************************/
/* 获得训练语料库中文章的类别标签 */
/************************************************************************/
vector<string> Preprocess::GetClassification(string ArticleIds)
{ vector<string>labels;
char * selectCategorization=new char[5000];
memset(selectCategorization,50,5000);
sprintf_s(selectCategorization,5000,"select Categorization from Article where ArticleId in%s",ArticleIds.c_str());
CoInitialize(NULL);
_ConnectionPtr pConn(__uuidof(Connection));
_RecordsetPtr pRst(__uuidof(Recordset));
pConn->ConnectionString=dbconnection;
pConn->Open("","","",adConnectUnspecified);
pRst=pConn->Execute(selectCategorization,NULL,adCmdText);
delete []selectCategorization;
while(!pRst->rsEOF)
{
string label=(_bstr_t) pRst->GetCollect("Categorization");
labels.push_back(label);
pRst->MoveNext();
}
pRst->Close();
pConn->Close();
pRst.Release();
pConn.Release();
CoUninitialize();
return labels;
}
对训练文档集合用KNN进行分类
/************************************************************************/
/* KNN分类器 */
/************************************************************************/
vector<pair<int,string> > Preprocess::KNNclassifier(map<string,vector<pair<int,int>>> &mymap,map<int,vector<double> >&trainingsetVSM,map<int,vector<double> >&testingsetVSM,vector<string>catigorization,int N)
{
vector<pair<int,string>>classifyResults;
for(map<int,vector<double> >::iterator it=trainingsetVSM.begin();it!=testingsetVSM.end();it++)
{
string label=KNNClassificationCell(N,it->second,catigorization,mymap,trainingsetVSM);
pair<int,string> temp=make_pair(it->first,label);
classifyResults.push_back(temp);
}
return classifyResults;
}