据不完全统计,网民们平均每人每周收到的垃圾邮件高达10封左右。垃圾邮件 浪费网络资源的同时,还消耗了我们大量的时间。大家对此深恶痛绝,于是 识别垃圾邮件并对其进行过滤成为各邮件服务商的重要工作之一。 垃圾邮件识别问题本质上是一个文本分类问题,给定文档p(可能含有标题t),将文档分类为n个类别中的一个或多个。 文本分类一般有两种处理思路:基于机器学习的方法和基于深度学习的方法。 本文主要基于机器学习的方法,介绍了特征提取+分类模型在文本分类中的应用。具体目录如下:
https://tianchi.aliyun.com/competition/entrance/531810/information(阿里天池-零基础入门NLP赛事)
二、文本表示方法 在机器学习算法的训练过程中,假设给定 个样本,每个样本有 个特征,这样就组成了
的样本矩阵 。 在计算机视觉中可以把图片的像素看作特征,每张图片都可以视为 的特征图,然后用一个三维矩阵带入计算。
但是在自然语言领域,上述方法却不可行,因为文本的长度是不固定的。文本分类的第一步就是将不定长的文本转换到定长的空间内 ,即词嵌入。 2.1 One-hot One-hot方法将每一个单词使用一个离散的向量表示,将每个字/词编码成一个索引,然后根据索引进行赋值。 One-hot表示法的一个例子如下:
句子1 :我 爱 北 京 天 安 门 句子2 :我 喜 欢 上 海
首先对句子中的所有字进行索引
{'我' : 1 , '爱' : 2 , '北' : 3 , '京' : 4 , '天' : 5 , '安' : 6 , '门' : 7 , '喜' : 8 , '欢' : 9 , '上' : 10 , '海' : 11 }
一共11个字,因此每个字可以转换为一个11维的稀疏向量:
我:[1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 ] 爱:[0 , 1 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 ] ... 海:[0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 1 ]
2.2 Bags of Words Bags of Words,也称为Count Vectors,每个文档的字/词可以使用其出现次数来进行表示。 例如对于: 句子1 :我 爱 北 京 天 安 门 句子2 :我 喜 欢 上 海
直接统计每个字出现的次数,并进行赋值:
句子1 :我 爱 北 京 天 安 门 转换为 [1 , 1 , 1 , 1 , 1 , 1 , 1 , 0 , 0 , 0 , 0 ] 句子2 :我 喜 欢 上 海 转换为 [1 , 0 , 0 , 0 , 0 , 0 , 0 , 1 , 1 , 1 , 1 ]
可以 利用sklearn的CountVectorizer来实 现这一步骤。
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'This is the first document.',
'This document is the second document.',
'And this is the third one.',
'Is this the first document?',
]
vectorizer = CountVectorizer()
vectorizer.fit_transform(corpus).toarray()
输出为:
[[0 , 1 , 1 , 1 , 0 , 0 , 1 , 0 , 1 ], [0 , 2 , 0 , 1 , 0 , 1 , 1 , 0 , 1 ], [1 , 0 , 0 , 1 , 1 , 0 , 1 , 1 , 1 ], [0 , 1 , 1 , 1 , 0 , 0 , 1 , 0 , 1 ]]
2.3 N-gram N-gram与Count Vectors类似,不过加入了相邻单词组合为新的单词,并进行计数。如果N取值为2,则句子1和句子2就变为:
句子1 :我爱 爱北 北京 京天 天安 安门 句子2 :我喜 喜欢 欢上 上海
2.4 TF-IDF TF-IDF分数由两部分组成:第一部分是词语频率(Term Frequency),第二部分是逆文档频率(Inverse Document Frequency)
三、基于机器学习的文本分类 接下来我们将研究文本表示对算法精度的影响,对比同一分类算法在不同文本表示下的算法精度,通过本地构建验证集计算F1得分。
3.1 导入相关的包 import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import RidgeClassifier
import matplotlib.pyplot as plt
from sklearn.metrics import f1_score
3.2 读取数据 train_df = pd.read_csv('./data/train_set.csv', sep='\t', nrows=15000)
3.3 文本分类对比 3.3.1 Count Vectors + RidgeClassifier vectorizer = CountVectorizer(max_features=3000)
train_test = vectorizer.fit_transform(train_df['text'])
clf = RidgeClassifier()
clf.fit(train_test[:10000], train_df['label'].values[:10000])
val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))
输出为
.
3.3.2 TF-IDF + RidgeClassifier tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=3000)
train_test = tfidf.fit_transform(train_df['text'])
clf = RidgeClassifier()
clf.fit(train_test[:10000], train_df['label'].values[:10000])
val_pred = clf.predict(train_test[10000:])
print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))
输 出为
.
四、研究参数对 模型的影响 4.1 正则化参数对模型的影响 取大小为5000的样本,保持其他参数不变,令 从0.15增加至1.5,画出关于 和 的图像
sample = train_df[0:5000]
n = int(2*len(sample)/3)
tfidf = TfidfVectorizer(ngram_range=(2,3), max_features=2500)
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
f1 = []
for i in range(10):
clf = RidgeClassifier(alpha = 0.15*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
plt.plot([0.15*(i+1) for i in range(10)], f1)
plt.xlabel('alpha')
plt.ylabel('f1_score')
plt.show()
结果如下:
可以看 出 不宜取的过大,也不宜过小。 越小模型的拟合能力越强,泛化能力越弱 , 越大模型的拟合能力越差,泛化能力越强。
4.2 max_features对模型的影响 分别取max_features的值为1000、2000、3000、4000,研究max_features对模型精度的影响
f1 = []
features = [1000,2000,3000,4000]
for i in range(4):
tfidf = TfidfVectorizer(ngram_range=(2,3), max_features=features[i])
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
plt.plot(features, f1)
plt.xlabel('max_features')
plt.ylabel('f1_score')
plt.show()
结果如下:
可以看出max_features越大模型的精度越高,但是当max_features超过某个数之后,再增加max_features的值对模型精度的影响就不是很显著了。
4.3 ngram_range对模型的影响 n-gram提取词语字符数的下边界和上边界,考虑到中文的用词习惯,ngram_range可以在(1,4)之间选取
f1 = []
tfidf = TfidfVectorizer(ngram_range=(1,1), max_features=2000)
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
tfidf = TfidfVectorizer(ngram_range=(2,2), max_features=2000)
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
tfidf = TfidfVectorizer(ngram_range=(3,3), max_features=2000)
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=2000)
train_test = tfidf.fit_transform(sample['text'])
train_x = train_test[:n]
train_y = sample['label'].values[:n]
test_x = train_test[n:]
test_y = sample['label'].values[n:]
clf = RidgeClassifier(alpha = 0.1*(i+1), solver = 'sag')
clf.fit(train_x, train_y)
val_pred = clf.predict(test_x)
f1.append(f1_score(test_y, val_pred, average='macro'))
输出如下
ngram_range取(1,3)的效果较好。
五、考虑其他分类模型 特征提取使用 TF-IDF,与 第三节 中TF-IDF + RidgeClassifier 的特征提取保 持 一 致, 再来看下其他几种分类算法的效果。 5.1 LogisticRegression LogisticRegression的目标函数为:
from sklearn import linear_model
tfidf = TfidfVectorizer(ngram_range=(1 ,3 ), max_features=5000 )
train_test = tfidf.fit_transform(train_df['text' ])
reg = linear_model.LogisticRegression(penalty='l2' , C=1.0 ,solver='liblinear' )
reg.fit(train_test[:10000 ], train_df['label' ].values[:10000 ])
val_pred = reg.predict(train_test[10000 :])
print('预测结果中各类新闻数目' )
print(pd.Series(val_pred).value_counts())
print('\n F1 score为' )
print(f1_score(train_df['label' ].values[10000 :], val_pred, average='macro' ))
输出为0.846470490043.
5.2 SGDClassifier SGDClassifier使用mini-batch来做梯度下降,在处理大数据的情况下收敛更快
tfidf = TfidfVectorizer(ngram_range=(1,3), max_features=5000)
train_test = tfidf.fit_transform(train_df['text' ])
reg = linear_model.SGDClassifier(loss="log" , penalty='l2' , alpha=0.0001,l1_ratio=0.15)
reg.fit(train_test[:10000], train_df['label' ].values[:10000])
val_pred = reg.predict(train_test[10000:])
print ('预测结果中各类新闻数目' )
print (pd.Series(val_pred).value_counts())
print ('\n F1 score为' )
print (f1_score(train_df['label' ].values[10000:], val_pred, average='macro' ))
输出为0.847267047346
5.3 SVM from sklearn import svm
tfidf = TfidfVectorizer(ngram_range=(1 ,3 ), max_features=5000 )
train_test = tfidf.fit_transform(train_df['text' ]) # 词向量 15000 *max_features
reg = svm.SVC(C=1.0 , kernel='linear' , degree=3
, gamma='auto' ,decision_function _shape ='ovr ')
reg .fit (train_test[:10000], train_df['label'].values[:10000] )
val_pred = reg .predict (train_test[10000:] )
print ('预测结果中各类新闻数目' )
print (pd.Series(val_pred).value_counts() )
print ('\n F1 score为' )
print (f1_score(train_df['label' ].values[10000 :], val_pred, average='macro' ) )
输出为0.884240695943.
对比几种机器学习算法可以看出,在相同的TF-IDF特征提取方法基础上, 用SVM得到的分类效果最好。