自然语言处理(第17课 文本分类和聚类)

一、学习目标

1.学习文本分类的两种传统机器学习方法：朴素贝叶斯和支持向量机

2.学习文本分类的深度学习方法

3.学习文本分类的性能评估标准

4.学习文本聚类的相似性度量、具体算法、性能评估

二、文本分类

        1.概述

        将文本分类，主要工作是让机器分析文章内容，辨别其类别。常见的应用有：新闻文章归类，垃圾邮件识别：

         2.传统机器方法

        文本分类的传统机器方法，主要包含三个重要核心：文本表示、特征选择、分类算法。放在整体流程，就是：（图中的模式来源于模式识别，这里可以认为是测试文本）

        （1）文本表示

        之所以要文本表示，是因为机器无法直接看懂原始文本，需要将文本转化为数字向量才行。一般在实验中，我们都会先使用词袋模型来表示一个文章：

         一个文章就表示成右边的向量，这个向量长度是词典长度，词的排序认为确定，后面要按照这种顺序进行其他操作。（显然，词袋模型的缺点是不好扩展，有集外词时就要人工重新设定其向量长度，但其好在使用方便，集外词可以用统称，中文则拆成字保存）

        词袋向量的元素表示某个词的出现次数，一般认为出现多的词说明更重要，但“的”这个词显然对我们没用。所以我们需要对向量元素进行重新订正，让其变成某个词对文本分类的重要程度，于是引入了以下几个参数：

         一般实验中，都使用TF-IDF作为最后的向量元素。

        （2）特征选择

        虽然现在的特征选择都直接使用词向量了，但还是要了解一下前人如何做特征选择的。特征选择的工作是，比如有“文本是否有词x”、“词x和词y接连出现”等一系列特征，要判断这些特征对分类的影响程度，以前一般就统计“文本是否有词x”作为特征了。（相当于上面计算词的权重，这里计算词的得分（也可以说是重要性），两者相乘得到概率，再综合所有词的概率，就能判别整个文本的类别了）。

        特征选择的方法：

        其中，将互信息应用到特征选择中，反映为点互信息：（MI是评判ti特征对分类的重要性的，MI取max则选择ti对某个分类影响最大的效果，MI取avg则综合ti对所有类别的影响程度。红色字描述有错，忽略即可）

        信息增益（IG）定义如下：

        例子如下：

        通过信息增益，可以对特征进行排序，从而减少没必要的特征，即忽视没用的词：

         （3）分类算法

        分类算法也有许多方法，我们重点讲述朴素贝叶斯和支持向量机法：

        （a）朴素贝叶斯

        首先需要了解贝叶斯理论，看一遍就行，应该都知道：

        之所以说其理论最优，是因为，如果数据量足够大，贝叶斯通过统计数据库信息学习得到的结果就是最好，没必要用什么神经网络、大模型来实现。但问题在于其要求数据量实在太大，解释性也不够。

        我们先要确定文本的特征就是文本中的词，然后根据贝叶斯函数得到我们的目标函数：

        然后要计算P(c)和P(w|c)，这两块我们是通过统计数据库情况得到的：

         所以，来一个文本，我们就相当于根据文本的词特征，查数据库中的历史信息，判别文本的类别。

        （b）线性支持向量机

        支持向量机的核心思想就是在向量空间中找到一个超平面，将两类数据分隔开：

        对于一系列的样本点（一个样本点表示一个文本），最开始使用最大间隔作为目标，但通过数学转化，可以转化为最小超平面方向：

         列出目标函数和约束函数，就可以使用各种优化算法来求解该问题了（一般用拟牛顿法来求解，详见我另一个专栏：算法中的最优化方法与实现）。求解出超平面后，就通过计算判别函数的正负性来判断。（有人好奇如果是多类别呢，也是有另外的方法实现的，大不了就每一类作一个判别函数，为正就是该类，为负就是别的类）

        3.深度学习方法

        深度学习方法的效能不不是基于深度学习本身，其本身就是些全连接结构，实际起决定作用的还是文本表示的好坏，神经网络完成的工作对应于传统机器学习中的特征选择和分类算法。例如下面这个经典的文本词向量化后输入到神经网咯作分类：

        或者是使用循环神经网络去搞：

        影响分类结果的关键点在于词向量（词嵌入），所以后面人们针对词向量学习，提出预训练+微调的方法，预训练的目标是学习词向量，学习方法是完型填空：

        学习得到的词向量表运用到实际任务中，只需要加上一些全连接层就行，就是微调的工作，只调整全连接层的参数，一般不再调词向量表参数。 

        4.文本分类性能评估

        来到分类任务中，性能评估方法就显得简单多了，因为就判断模型结果和实际标签是否对应就可以了；于是要定义四种情况：

       

        于是，简单的召回率、精确率和F1值就可以计算出来：

        还有正确率：

        后面，又有人提出了宏平均和微平均的概念，直接看公式就明白在干嘛了（公式有点错误，累加符号写的j，但元素下标是i，实际上应该j=i）

         为了更直观展示模型的好坏，人们提出了P-R曲线和ROC曲线：（P-R曲线越往右上，效果越好，ROC曲线越往左上靠，效果越好）

三、文本聚类

        文本聚类，即无监督学习，需要模型根据文本样本点相似性计算（没有标签），将相似的文本聚为一类。与文本分类一样，其重点步骤分三个：文本表示，文本相似性度量，聚类算法。文本表示前面说了，这里主要讲后面两步，而文本相似性度量是核心步骤。

        1.文本相似性度量

        根据对象不同，相似性度量分三种：

       （1）文本之间

        对于两个文本之间，从样本点的距离角度来考虑，我们可以使用范数来进行度量：

        当然还有基于角度、杰卡德相似系数、基于分布的度量等，都不是很常用的方法。

        （2）集合之间

        与人的基本想法一样，可以有四种方法：

        重心法就是对两个集合分别求平均，用平均点的距离作为集合的距离。显然是最方便的方法。此外，还有一个比较好的方法：（这个方法好在其判别两类合并前后的各点到中心距离的变化，能方便后面应该将哪两类进行合并）

        （3）文本与集合之间

        ppt是如下面这样写（当然也没错），但实际上，就三种常用方法，文本点到集合最近点的距离，文本点戴集合最远点距离，样本点到集合均值点距离。

        2.文本聚类算法

        聚类算法基本上就是这4种，基本没有什么拓展，建议直接去我的机器学习专栏第6章的讲解。他这里的讲解并没有比那边好太多，且例子不够那边好。

       首先先讲一下文本在聚类前需要做的一些准备工作：

        然后再大体上过一遍4个算法的思想。

        K-均值聚类法，主要思想和EM很像，分两步：划分和更新。我们初始化n个聚类中心点，计算所有点到这n个点的距离，将样本点划分到离其最近的中心点的类别中，然后更新：将一个类中的点再取平均，更新出新的n个聚类中心点，直到中心点不再变动。

        单遍聚类，按照数据库顺序读入一个一个样本，如果样本离某些集合距离小于阈值，则划分到最近的一类，如果大于阈值，则自己划分为一类。

        层次聚类，分自顶向下和自底向上两个，自顶向下，相当于将所有样本点看为一类，然后不断切分，自底向上相当于每个样本点都是一类，然后两两聚合。

        ，密度聚类认为，分布密集的样本点是被稀疏的样本点所分割的，于是那些联通的稠密的样本点集合就是我们的聚类。例子如下：

        3.文本聚类性能评估

        首先，聚类方法由于没有标签，所以不能用分类方法的评估标准来评判聚类方法。而非要用标签来判别，也不是不行，其就是聚类评估里的外部标准，当然还有内部标准。

        （1）外部标准

        即使是有标签，我们也无法像分类那样计算，因为聚类并没给数据打标签。所以只能通过一对样本点是否在同一类中，进行评价，于是定于以下参数：

        直观上，我们希望a和d更大，b和c越小，效果则越好，于是评价指标就是：

        （2）内部指标

        缺少标签后，我们只能通过聚类的形状来计算其效果：

        轮廓系数是需要计算一个样本点与类内其他的点的平均距离a，以及一个离它最近的别的类均值点的距离b，综合a和b得到的结果来进行评估。计算公式如下：

四、本章小节

1.学习了文本分类的各个步骤和各种实现方法

2.学习文本聚类的准备工作和具体的聚类方法

3.学习了文本分类和聚类不同的评估方法和标准