基于libsvm的中文文本分类原型

    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 。

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。
def seg(fn): if not os.path.isfile(fn+'.utf8'): cmd = 'iconv -f gb2312 -t utf8 -c %s > %s.utf8' %(fn,fn) print cmd os.system(cmd) cmd = '/opt/bamboo/bin/bamboo -p crf_seg %s.utf8 > %s.seg' % (fn,fn) print cmd 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

#ingore some term def ingore(s): return s == 'nbsp' or s == ' ' or s == ' ' or s == '/t' or s == '/n' / or s == '，' or s == '。' or s == '！' or s == '、' or s == '―'/ or s == '？' or s == '＠' or s == '：' / or s == '＃' or s == '%' or s == '＆' / or s == '（' or s == '）' or s == '《' or s == '》' / or s == '［' or s == '］' or s == '｛' or s == '｝' / or s == '*' or s == ',' or s == '.' or s == '&' / or s == '!' or s == '?' or s == ':' or s == ';'/ or s == '-' or s == '&'/ or s == '<' or s == '>' or s == '(' or s == ')' / or s == '[' or s == ']' or s == '{' or s == '}' #term times def getterm(fn): fnobj = open(fn,'r') data = fnobj.read() fnobj.close() arr = data.split(' ') docterm = dict() for a in arr: a = a.strip(' /n/t') if not ingore(a) and len( a.decode('utf-8')) >=2: times = docterm.get(a) if times: docterm[a] = times + 1 else: docterm[a] = 1 return docte #cls_term:cls,term,artcount #term_cls:term,cls,artcount def stat(cls,fn,cls_term,term_cls): docterm = getterm(fn) termdi = cls_term.get(cls) if not termdi: termdi = dict() cls_term[cls] = termdi #term,times for t in docterm.iterkeys(): artcount = termdi.get(t) if not artcount: artcount = 0 termdi[k] = artcount + 1 clsdi = term_cls.get(t) if not clsdi: clsdi = {} term_cls[k] = clsdi artcount = clsdi.get(cls) if not artcount: 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      毛泽东

 

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: class doc term times #term_doc: term doccount def tfidf(doc_term,term_doc): print 'begin compute tf * idf' for cls,docdi in doc_term.iteritems(): for doc,termdi in docdi.iteritems(): total = 0 for term,times in termdi.iteritems(): total += times for term,times in termdi.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