支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。SVM理论的学习，请参考jasper的博客。
LIBSVM 是台湾大学林智仁(Chih-Jen Lin)博士等开发设计的一个操作简单、易于使用、快速有效的通用 SVM 软件包,可以解决分类问题(包括 C−SVC 、ν−SVC )， 回归问题(包括 ε − SVR 、v− SVR ) 以及分布估计(one − class − SVM ) 等问题,提供了线性、多项式、径向基和 S 形函数四种常用的核函数供选择，可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。LIBSVM是一个开源的软件包,。他不仅提供了 LIBSVM 的 C++语言的算法源代码,还提供了 Python、Java、R、MATLAB、Perl、Ruby、LabVIEW以及 C#.net 等各种语言的接口,可以方便的在 Windows 或 UNIX 平台下使用,也便于科研工作者根据自己的需要进行改进(譬如设计使用符合自己特定问题需要的核函数等)。
文本分类，大致分为如下几件事情：样本，分词，特征提取，向量计算，分类训练，测试和调试。
1.样本选择
搜狗语料http://www.sogou.com/labs/dl/c.html，下精简版吧，如果实验用用，这足够了，你要下107M的也可以。当然，你也可以自己找语料，不过麻烦点而已，把各大门户网站的对应频道下的文章都爬下来。
2.分词
Bamboo分词，这是基于CRF++的分词模块，既然是研究统计学习，分词也得用基于统计的不是，如果还是用一字典来分词，那就太out啦。
http://code.google.com/p/nlpbamboo/wiki/GettingStarted。安装完毕bamboo，还要下载训练好的模型（这个模型是基于人民日报1月语料）
http://code.google.com/p/nlpbamboo/downloads/list，下载index.tar.bz2， 解压到/opt/bamboo/index下。
因为咱主要目的是研究分类，不是分词，就不要去搞分词的训练了，如果想训练可以看我的另外一篇博客：CRF++中文分词指南。
nlpbamboo安装的几个要点
2、编译完nlpbamboo后执行下/opt/bamboo/bin/bamboo看看bamboo是否安装成功
如果提示ERROR: libcrfpp.so.0: cannot open shared object file: No such file or directory需要执行以下操作
ln -s /usr/local/lib/libcrfpp.so.* /usr/lib/
ldconfig
3、安装PHP扩展后下载index.tar.bz2这个模型，然后在php.ini中添加
bamboo.parsers = crf_seg
因为官方的 index.tar.bz2 中只包含 crf_seg 的 model，所以不加 crf_pos 那些；否则php将无法
可以试试：/opt/bamboo/bin/bamboo -p crf_seg filename，如果成功证明装好了。
稍微注意以下，搜狗的词库是gb2312的，所以，请转为utf8，再分词，这是python写的函数：输入一个文件名，转为utf8，再分词，分词文件以.seg为后缀。
- defseg(fn):
- ifnotos.path.isfile(fn+'.utf8'):
- cmd='iconv-fgb2312-tutf8-c%s>%s.utf8'%(fn,fn)
- printcmd
- os.system(cmd)
- cmd='/opt/bamboo/bin/bamboo-pcrf_seg%s.utf8>%s.seg'%(fn,fn)
- printcmd
- os.system(cmd)
分词结果如下：
一 家 刚刚 成立 两 年 的 网络 支付 公司 ， 它 的 目标 是 成为 市值 100亿 美元 的 上市 公司 。
这家 公司 叫做 快 钱 ， 说 这 句 话 的 是 快钱 的 CEO 关 国光 。 他 之前 曾 任 网易 的 高级 副 总裁 ， 负责 过 网易 的 上市 工作 。 对于 为什么 选择 第三 方 支付 作为 创业 方向 ， 他 曾经 对 媒体 这样 说 ： “ 我 能 看到 这个 胡同 对面 是 什么 ， 别人 只能 看到 这个 胡同 。 ” 自信 与 狂妄 只 有 一 步 之 遥 ―― 这 几乎 是 所有 创业者 的 共同 特征 ， 是 自信 还是 狂妄 也许 需要 留待 时间 来 考证 。
3.特征提取
svm不是在高维模式识别具有优势吗，咋还要特征提取呢，把所有词都当成特征不就行了吗？对于词库来说，十几万的词是很常见的，把对类别区分度（GDP，CPI，股票对经济类的区分度就高，其他一些高频词，如我们，大家，一起等就没有区分度）高的词挑选出来，一来可以减少计算量，二来应该是可以提高分类效果。
据说，开方检验（CHI）信息增益（IG）对于挑选特征好，我选择的是CHI。两者的概念，请google。
首先统计词在文档中的次数
- #ingoresometerm
- defingore(s):
- returns=='nbsp'ors==''ors==''ors=='/t'ors=='/n'/
- ors=='，'ors=='。'ors=='！'ors=='、'ors=='―'/
- ors=='？'ors=='＠'ors=='：'/
- ors=='＃'ors=='%'ors=='＆'/
- ors=='（'ors=='）'ors=='《'ors=='》'/
- ors=='［'ors=='］'ors=='｛'ors=='｝'/
- ors=='*'ors==','ors=='.'ors=='&'/
- ors=='!'ors=='?'ors==':'ors==';'/
- ors=='-'ors=='&'/
- ors=='<'ors=='>'ors=='('ors==')'/
- ors=='['ors==']'ors=='{'ors=='}'
- #termtimes
- defgetterm(fn):
- fnobj=open(fn,'r')
- data=fnobj.read()
- fnobj.close()
- arr=data.split('')
- docterm=dict()
- forainarr:
- a=a.strip('/n/t')
- ifnotingore(a)andlen(a.decode('utf-8'))>=2:
- times=docterm.get(a)
- iftimes:
- docterm[a]=times+1
- else:
- docterm[a]=1
- returndocte
- #cls_term:cls,term,artcount
- #term_cls:term,cls,artcount
- defstat(cls,fn,cls_term,term_cls):
- docterm=getterm(fn)
- termdi=cls_term.get(cls)
- ifnottermdi:
- termdi=dict()
- cls_term[cls]=termdi
- #term,times
- fortindocterm.iterkeys():
- artcount=termdi.get(t)
- ifnotartcount:
- artcount=0
- termdi[k]=artcount+1
- clsdi=term_cls.get(t)
- ifnotclsdi:
- clsdi={}
- term_cls[k]=clsdi
- artcount=clsdi.get(cls)
- ifnotartcount:
- artcount=0
- clsdi[cls]=artcount+1
分别计算每个词的a/b/c/d
a：在这个分类下包含这个词的文档数量
b：不在该分类下包含这个词的文档数量
c：在这个分类下不包含这个词的文档数量
d：不在该分类下，且不包含这个词的文档数量
因为前面统计了每个类下，每个词，文章数和每个词，每个类，文章数。所以很容易得到a,b,c,d的值。
z1 = a*d - b*c
x2 = (z1 * z1 * float(N)) /( (a+c)*(a+b)*(b+d)*(c+d) )
计算之后，排序，并取出前1000个词（这里指的每个类别的特征词）。
li = sorted(termchi.iteritems(), key=lambda d:d[1], reverse = True)
循环每个分类，并把每个类别的特征合并（合并成一个文件，作为特征词典），合并后存为feature文件，第一列是序号，第二列是对应的词，序号就是特征号。
1 逐项
2 深市
3 九寨沟
4 岛内
5 期望
6 第20分钟
7 合理
8 谢杏芳
9 赛迪
10
注：特征选择的目的就是选择在该类下，不在其他类下的特征，但是重复是避免不了的，合并的文件肯定是排重过的。先选择每个类下的1000个词，假如10个类，则共选择10 * 1000个词，然后去重，并生成特征的唯一id。
4.训练和测试样本组织
搜狐语料的1990篇中的1890作为训练集，100篇作为测试集，分别形成train和test文件，libsvm的训练集的格式为：
lable1 index1:featureValue1 index2:featureValue2 index3:featureValue3 ...
lable2 index1:featureValue1 index2:featureValue2 index3:featureValue3 ...
对应到文本分类上就是：类别ID 特征序号（第3步计算的特征序号）：特征值（TFIDF值）......
如，我摘了一行，这是一篇文章的例子，8就是类别ID，189是特征“189 指导"的序号，0.171153是特征值：
8 189:0.171153 253:0.081381 298:0.630345 504:0.135512 562:79.423503 578:0.072219 698:0.078896 710:0.036074 740:0.215368 868:0.263524 1336:0.114355 1365:0.076494 1372:0.085780 1555:0.572497 1563:3.932806 1598:0.114717 1685:0.129870 1972:0.193693 2282:0.061828 2865:0.026699 2897:0.099020 3040:0.039621 3041:0.258073 3191:0.091276 3377:0.125544 3454:0.062189 3623:0.139698 3653:0.128304 3932:2.990233 4353:0.202133 4394:0.312992 4420:0.356354 4424:0.482424 4522:0.447795 4675:3.618182 4767:0.065334 4848:0.270417 4875:0.213588 4941:0.407453 5004:0.070447 5125:0.717893 5214:3.222299 5250:0.052897 5251:0.281352 5310:2.010101 5357:0.203956 5474:0.034037 5504:0.193900 5861:0.859426 6120:1.320504 6129:0.107941 6364:0.184225 6373:0.287843 6379:0.080727 6385:0.712241 6847:0.209023 7007:0.147802 7121:1.320504 7547:0.248161 7636:0.108981
采用TFIDF的算法，数据处理和特征选择类似，计算每个类，每篇文档，每个词的次数，以包含这个词的文档数。每篇文章的每个特征项，用TF/DF的值作为特征值。（后记：用TF * IDF，然后用svm-scale缩放到0,1之间，效果比TF/DF要好，准确率能达到82%。，计算方式如下：
tf = float(times) / total
idf = math.log( N / float(term_count[term]) )
term_times[term] = tf * idf
）
- #doc_term:classdoctermtimes
- #term_doc:termdoccount
- deftfidf(doc_term,term_doc):
- print'begincomputetf*idf'
- forcls,docdiindoc_term.iteritems():
- fordoc,termdiindocdi.iteritems():
- total=0
- forterm,timesintermdi.iteritems():
- total+=times
- forterm,timesintermdi.iteritems():
- tf=float(times)/total
- df=float(term_doc[term])/N
- termdi[term]=tf/df
注意：用CHI是提取类别的特征词，而这里用TFIDF是计算文档的特征向量，前者是要体现类别的区分度，后者要体现文档的区分度，两者概念和所做的事情不一样，所以采用的方法也不一样。
5.用libsvm训练
你看，忙活了半天，还没有到libsvm呢，其实前面几步很麻烦的，libsvm的资料不少，但是都是一个几行数据的简单例子，这不具有实际应用的价值，只有把样本，分词，特征提取/特征计算搞定了，分类才能做好。
下载libsvm：http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/libsvm.cgi?+http://www.csie.ntu.edu.tw/~cjlin/libsvm+zip
解压，make
svm-scale：特征缩放的工具 svm-train：训练工具 svm-predict：测试工具
toos/grid.py：寻找参数的工具
用默认参数试试：
./svm-train train.s model.s
./svm-predict test.s model.s result.s
结果
Accuracy = 74.3889% (1339/1800) (classification)
不算太理想，也不算太差。如果只是2个类，结果能到95%。我想可以从如下几个方面改进：
- 增加分词的样本数，训练更好的分词模型。
- 特征提取后，用人工进行调整，因为很多词对于类别区分度不高。
- 用grid.py寻找合适的参数。
参考资料：
jasper的博客，SVM理论的学习资料：http://www.blogjava.net/zhenandaci/category/31868.html
通俗易懂，要好好读读。
libsvm的官方网站：http://www.csie.ntu.edu.tw/~cjlin/libsvm/
看了理论性的东西，最好实践以下，libsvm就是很好的实践工具。
Vapnik的两本书，我买了第二本，发现公式太多，好晦涩。准备买第一本，据说第一本比较浅显易懂一些
《统计学习理论的本质》
http://product.dangdang.com/product.aspx?product_id=20602023&ref=search-0-A
《统计学习理论》
http://product.dangdang.com/product.aspx?product_id=20529098&ref=search-0-A