一、简介
1）jieba
中文叫做结巴，是一款中文分词工具，https://github.com/fxsjy/jieba
2）word2vec
单词向量化工具，https://radimrehurek.com/gensim/models/word2vec.html
3）LR
LogisticRegression中文叫做逻辑回归模型，是一种基础、常用的分类方法
二、步骤
0）建立jupyter notebook
桌面新建名字为基于word2vec的文档分类的文件夹，并进入该文件夹，按住shift，鼠标点击右键，然后选择在此处打开命令窗口，然后在dos下输入：jupyter notebook
新建一文件：word2vecTest.ipynb
1）数据准备
链接：https://pan.baidu.com/s/1mR87V40bUtWgUBIoqn4lOw 密码：lqe4
训练集共有24000条样本，12个分类，每个分类2000条样本。
测试集共有12000条样本，12个分类，每个分类1000条样本。
下载并解压到基于word2vec的文档分类文件夹内：
查看数据发现文件分两列：
import pandas as pd train_df = pd.read_csv(\'sohu_train.txt\', sep=\'\t\', header=None) train_df.head()
查看train每个分类的名字以及样本数量：
for name, group in train_df.groupby(0):
print(name,\'\t\', len(group))
#或者通过columns来查看
train_df.columns = [\'Subject\', \'Content\']
train_df[\'Subject\'].value_counts().sort_index()
同样的方法查看test每个分类的名字以及样本数量：
test_df = pd.read_csv(\'sohu_test.txt\', sep=\'\t\', header=None)
for name, group in test_df.groupby(0):
print(name, \'\t\', len(group))
关于groupby函数，我们通过查看name和group加以理解（变量group是一个GroupBy对象，它实际上还没有进行任何计算）：
for name, group in df_train.groupby(0):
print(name)
print(group)
其中科技即打印出来的name，后面的内容即group对象内容，包含两列，第一列为科技，第二列为内容（注意：该train数据集包含了12个分类，这里只是展示了name为科技的图片，其他name结构类似）
2）分词
安装jieba：pip install jieba
对训练集的24000条样本循环遍历，使用jieba库的cut方法获得分词列表赋值给变量cutWords。
判断分词是否为停顿词，如果不为停顿词，则添加进变量cutWords中，查看一下stopwords.txt文件：
从上我们发现：这些停顿词语都是没用用的词语，对我们文本分类没什么作用，所以在分词的时候，将其从分词列表中剔除
import jieba, time
train_df.columns = [\'分类\', \'文章\']
#stopword_list = [k.strip() for k in open(\'stopwords.txt\', encoding=\'utf-8\').readlines() if k.strip() != \'\']
#上面的语句不建议这么写，因为readlines()是一下子将所有内容读入内存，如果文件过大，会很耗内存，建议这么写
stopword_list = [k.strip() for k in open(\'stopwords.txt\', encoding=\'utf-8\') if k.strip() != \'\']
cutWords_list = []
i = 0
startTime = time.time()
for article in train_df[\'文章\']:
cutWords = [k for k in jieba.cut(article) if k not in stopword_list]
i += 1
if i % 1000 == 0:
print(\'前%d篇文章分词共花费%.2f秒\' % (i, time.time() - startTime))
cutWords_list.append(cutWords)
本人电脑配置低（在linux下速度很快，本人用ubuntu，前5000篇文章分词共花费373.56秒，快了近三分之二），用时：
然后将分词结果保存为本地文件cutWords_list.txt，代码如下：
with open(\'cutWords_list.txt\', \'w\') as file:
for cutWords in cutWords_list:
file.write(\' \'.join(cutWords) + \'\n\')
为了节约时间，将cutWords_list.txt保存到本地，链接：https://pan.baidu.com/s/1zQiiJGp3helJraT3Sfxv5w 提取码：g6c7
载入分词文件：
with open(\'cutWords_list.txt\') as file:
cutWords_list = [ k.split() for k in file ]
查看分词结果文件：cutWords_list.txt，可以看出中文分词工具jieba分词效果还不错：
3）word2vec模型
安装命令：pip install gensim
调用gensim.models.word2vec库中的LineSentence方法实例化行模型对象（为避免warning信息输出，导入warning 模块）：
import warnings warnings.filterwarnings(\'ignore\') from gensim.models import Word2Vec word2vec_model = Word2Vec(cutWords_list, size=100, iter=10, min_count=20)
sentences：可以是一个list，对于大语料集，建议使用BrownCorpus，Text8Corpus或lineSentence构建
size：是指特征向量的维度，默认为100。大的size需要更多的训练数据，但是效果会更好，推荐值为几十到几百
min_count：可以对字典做截断，词频少于min_count次数的单词会被丢弃掉, 默认值为5
调用Word2Vec模型对象的wv.most_similar方法查看与摄影含义最相近的词
wv.most_similar方法有2个参数，第1个参数是要搜索的词，第2个关键字参数topn数据类型为正整数，是指需要列出多少个最相关的词汇，默认为10，即列出10个最相关的词汇
wv.most_similar方法返回值的数据类型为列表，列表中的每个元素的数据类型为元组，元组有2个元素，第1个元素为相关词汇，第2个元素为相关程度，数据类型为浮点型
word2vec_model.wv.most_similar(\'摄影\')
wv.most_similar方法使用positive和negative这2个关键字参数的简单示例。查看女人+先生-男人的结果，代码如下：
word2vec_model.most_similar(positive=[\'女人\', \'先生\'], negative=[\'男人\'], topn=1)
查看两个词的相关性，如下图所示：
word2vec_model.similarity(\'男人\', \'女人\') word2vec_model.similarity(\'摄影\', \'摄像\')
保存Word2Vec模型为word2vec_model.w2v文件，代码如下：
word2vec_model.save( \'word2vec_model.w2v\' )
4）特征工程
对于每一篇文章，获取文章的每一个分词在word2vec模型的相关性向量。然后把一篇文章的所有分词在word2vec模型中的相关性向量求和取平均数，即此篇文章在word2vec模型中的相关性向量（用一篇文章分词向量的平均数作为该文章在模型中的相关性向量）
实例化Word2Vec对象时，关键字参数size定义为100，则相关性矩阵都为100维
getVector函数获取每个文章的词向量，传入2个参数，第1个参数是每篇文章分词的结果，第2个参数是word2vec模型对象
每当完成1000篇文章词向量转换的时候，打印花费时间
最终将24000篇文章的词向量赋值给变量X，即X为特征矩阵
对比文章转换为相关性向量的4种方法花费时间。为了节省时间，只对比前5000篇文章转换为相关性向量的花费时间
4.1 ） 第1种方法，用for循环常规计算
def getVector_v1(cutWords, word2vec_model):
count = 0
article_vector = np.zeros( word2vec_model.layer1_size )
for cutWord in cutWords:
if cutWord in word2vec_model:
article_vector += word2vec_model[cutWord]
count += 1
return article_vector / count
startTime = time.time()
vector_list = []
i = 0
for cutWords in cutWords_list[:5000]:
i += 1
if i % 1000 == 0:
print(\'前%d篇文章形成词向量花费%.2f秒\' % (i, time.time() - startTime))
vector_list.append( getVector_v1(cutWords, word2vec_model) )
X = np.array(vector_list)
print(\'Total Time You Need To Get X:%.2f秒\' % (time.time() - startTime) )
4.2）第2种方法，用pandas的mean方法计算
import time
import pandas as pd
import numpy as np
def getVector_v2(cutWords, word2vec_model):
vector_list = [ word2vec_model[k] for k in cutWords if k in word2vec_model]
vector_df = pd.DataFrame(vector_list)
cutWord_vector = vector_df.mean(axis=0).values
return cutWord_vector
startTime = time.time()
vector_list = []
i = 0
for cutWords in cutWords_list[:5000]:
i += 1
if i % 1000 ==0:
print(\'前%d篇文章形成词向量花费%.2f秒\' %(i, time.time()-startTime))
vector_list.append( getVector_v2(cutWords, word2vec_model) )
X = np.array(vector_list)
print(\'Total Time You Need To Get X:%.2f秒\' % (time.time() - startTime) )
4.3）用numpy的mean方法计算
import time
import pandas as pd
import numpy as np
def getVector_v2(cutWords, word2vec_model):
vector_list = [ word2vec_model[k] for k in cutWords if k in word2vec_model]
vector_df = pd.DataFrame(vector_list)
cutWord_vector = vector_df.mean(axis=0).values
return cutWord_vector
startTime = time.time()
vector_list = []
i = 0
for cutWords in cutWords_list[:5000]:
i += 1
if i % 1000 ==0:
print(\'前%d篇文章形成词向量花费%.2f秒\' %(i, time.time()-startTime))
vector_list.append( getVector_v2(cutWords, word2vec_model) )
X = np.array(vector_list)
print(\'Total Time You Need To Get X:%.2f秒\' % (time.time() - startTime) )
4.4）第4种方法，用numpy的add、divide方法计算
import time
import numpy as np
import pandas as pd
def getVector_v4(cutWords, word2vec_model):
i = 0
index2word_set = set(word2vec_model.wv.index2word)
article_vector = np.zeros((word2vec_model.layer1_size))
for cutWord in cutWords:
if cutWord in index2word_set:
article_vector = np.add(article_vector, word2vec_model.wv[cutWord])
i += 1
cutWord_vector = np.divide(article_vector, i)
return cutWord_vector
startTime = time.time()
vector_list = []
i = 0
for cutWords in cutWords_list[:5000]:
i += 1
if i % 1000 == 0:
print(\'前%d篇文章形成词向量花费%.2f秒\' %(i, time.time()-startTime))
vector_list.append( getVector_v4(cutWords, word2vec_model) )
X = np.array(vector_list)
print(\'Total Time You Need To Get X:%.2f秒\' % (time.time() - startTime) )
因为形成特征矩阵的花费时间较长，为了避免以后重复花费时间，把特征矩阵保存为文件。使用ndarray对象的dump方法，需要1个参数，数据类型为字符串，为保存文件的文件名，加载数据也很方便，代码如下（保存X之前要用方法四对所有cutWords_list元素进行处理，5000只是用来比较四种方法快慢）：
X.dump(\'articles_vector.txt\') #加载数据可以用下面的代码 X = np.load(\'articles_vector.txt\')
5）模型训练、模型评估
1）标签编码
调用sklearn.preprocessing库的LabelEncoder方法对文章分类做标签编码
import pandas as pd from sklearn.preprocessing import LabelEncoder train_df = pd.read_csv(\'sohu_train.txt\', sep=\'\t\', header=None) train_df.columns = [\'分类\', \'文章\'] labelEncoder = LabelEncoder() y = labelEncoder.fit_transform(train_df[\'分类\'])
2）LR模型
调用sklearn.linear_model库的LogisticRegression方法实例化模型对象
调用sklearn.model_selection库的train_test_split方法划分训练集和测试集
from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split train_X, test_X, train_y, test_y = train_test_split(X, y, test_size=0.2, random_state=0) logistic_model = LogisticRegression() logistic_model.fit(train_X, train_y) logistic_model.score(test_X, test_y)
3）保存模型
调用sklearn.externals库中的joblib方法保存模型为logistic.model文件
模型持久化官方文档示例：http://sklearn.apachecn.org/cn/0.19.0/modules/model_persistence.html
from sklearn.externals import joblib joblib.dump(logistic_model, \'logistic.model\') #加载模型 logistic_model = joblib.load(\'logistic.model\')
4）交叉验证
调用sklearn.model_selection库的ShuffleSplit方法实例化交叉验证对象
调用sklearn.model_selection库的cross_val_score方法获得交叉验证每一次的得分
from sklearn.linear_model import LogisticRegression from sklearn.model_selection import ShuffleSplit from sklearn.model_selection import cross_val_score cv_split = ShuffleSplit(n_splits=5, train_size=0.7, test_size=0.2) logistic_model = LogisticRegression() score_ndarray = cross_val_score(logistic_model, X, y, cv=cv_split) print(score_ndarray) print(score_ndarray.mean())
6）模型测试
调用sklearn.externals库的joblib对象的load方法加载模型赋值给变量logistic_model
调用DataFrame对象的groupby方法对每个分类分组，从而每种文章类别的分类准确性
调用自定义的getVector方法将文章转换为相关性向量
自定义getVectorMatrix方法获得测试集的特征矩阵
调用StandardScaler对象的transform方法将预测标签做标签编码，从而获得预测目标值
import pandas as pd
import numpy as np
from sklearn.externals import joblib
import jieba
def getVectorMatrix(article_series):
return np.array([getVector_v4(jieba.cut(k), word2vec_model) for k in article_series])
logistic_model = joblib.load(\'logistic.model\')
test_df = pd.read_csv(\'sohu_test.txt\', sep=\'\t\', header=None)
test_df.columns = [\'分类\', \'文章\']
for name, group in test_df.groupby(\'分类\'):
featureMatrix = getVectorMatrix(group[\'文章\'])
target = labelEncoder.transform(group[\'分类\'])
print(name, logistic_model.score(featureMatrix, target))
我们来看看各个分类的精确率和召回率：
from sklearn.metrics import classification_report test_df = pd.read_csv(\'sohu_test.txt\', sep=\'\t\', header=None) test_df.columns = [\'分类\', \'文章\'] test_label = labelEncoder.transform(test_df[\'分类\']) y_pred = logistic_model.predict( getVectorMatrix(test_df[\'文章\']) ) print(labelEncoder.inverse_transform([[x] for x in range(12)])) print(classification_report(test_label, y_pred))
7）结论
word2vec模型应用的第1个小型项目，训练集数据共有24000条，测试集数据共有12000条。
经过交叉验证，模型平均得分为0.78左右。
测试集的验证效果中，体育、教育、健康、旅游、汽车、科技、房地产这7个分类得分较高，即容易被正确分类。
女人、娱乐、新闻、文化、财经这5个分类得分较低，即难以被正确分类。
想要学习如何提高文档分类的准确率，请查看我的另外一篇文章《基于jieba,TfidfVectorizer,LogisticRegression进行搜狐新闻文本分类》
8）致谢
本文参考简书：https://www.jianshu.com/p/96b983784dae
感谢作者的详细过程，再次感谢！
9）流程图
10）感兴趣的可以查看利用TfIdf进行向量化后的新闻文本分类，效果有一定的提升