谈谈opennlp maxent

背景：最大熵模型可用于文本分类

• 简介

maxent是个非常不错的最大熵java实现
主要的功能还是分为两部分特征提取和GIS迭代算法

1）特征提取采取了简单将分词作为特征，目前只支持单个字段，但如过要实现多字段特征也是很简单的事情。

2）GIS迭代算法没什么好说的，大量的数学推导，从数学上保证了解的唯一性和迭代收敛

• 流程

1）整个训练流程就是

读取每行文本---》分词成特征----》迭代计算----》最后生成每个特征对于输出分类的权重

2）整个分类过程就是

读取样本（一行）---》分词成特征-----》根据每个特征在输出分类的权重，计算该样本在输出各分类中的概率

• 实践

我以3w个真实样本作为训练，1.5w是垃圾，1.5w是非垃圾
另外1w个真实样本作为测试，5k垃圾，5k非垃圾

共产生了49838个特征，6792个仅出现在垃圾中，7797个特征在垃圾和非垃圾都出现，35249个特征仅出现在非垃圾中

模型文件大小：1.9M

实际垃圾 实际非垃圾
机审垃圾 4766 6
机审非垃圾 234 4994


垃圾召回率：95.32%
准确率： 99.87%

通过100个并发，每个并发10000条，耗时77s，性能还是可以接受的。