一种使用快速、简单有效的文本分类方法

问题及需求

使用CNN，LSTM，Attention based model建立一个文本分类深度模型固然很好很强大，但是实际情况是，数据集和模型同等重要，到哪里去搞质量好的打标签的训练样本在短时间内是一个问题。应对短平快，没有数据集的情况下，能否找到一种可用的文本分类方法解决问题呢？

本文方法的切入点：快速，简单，有效。
虽然方法比较简单，但是作为一个trade off，在一定程度上能快速有效解决项目中实际用到的文本分类问题。

工具及方法

Tools:

• Bloom Filter（布隆过滤器）

对于原理来说很简单，位数组+k个独立hash函数。将hash函数对应的值的位数组置1，查找时如果发现所有hash函数对应位都是1说明存在，很明显这个过程并不保证查找的结果是100%正确的。

Bloom Filter的这种高效是有一定代价的：在判断一个元素是否属于某个集合时，有可能会把不属于这个集合的元素误认为属于这个集合（false positive）。因此，Bloom Filter不适合那些“零错误”的应用场合。而在能容忍低错误率的应用场合下，Bloom Filter通过极少的错误换取了存储空间的极大节省。

• cell word bank（细胞词库）

可以理解为一个词典，一系列相关的词汇，比如“传染病词库”，里面就包含了各种跟传染病相关的词，比如流行性感冒，狂犬病等等，搜狗输入法有所收集。可以在网站上下载到。

• word2vec（词向量）

谷歌开源的一个词向量提取工具，在我们文本分类工作的作用是找近义词，词向量有很多有趣的性质，比如近义词就是通过寻找word embedding之后得到的词向量，其夹角较小或者欧几里得距离较近的一组向量。在本方法中用于近义词扩充细胞词库。

具体方法：
采用朴素贝叶斯的思想，分词->统计文本中的词在每个细胞词库中出现的次数。细胞词库及其词的近义词扩充（使用word2vec）在程序初始化的时候已经在布隆过滤器中存好。这样处理之后得到一个向量，向量的每一维度就是文本在对应细胞词库中出现的次数。最简单的算法就是，在一个领域出现的词越多，就说明我的文本属于这个领域的可能性越大。

比如有这样一个文本“习近平总书记出席G20杭州峰会”，其中习近平、总书记、出席、峰会都映射到了政治敏感的细胞词库中，那么我这个文本极有可能属于政治敏感类。

在实际项目中发现，这个方法的可用程度非常高。