利用jieba,word2vec,LR进行搜狐新闻文本分类

时间:2024-03-12 14:29:35

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jiebapip 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positivenegative这2个关键字参数的简单示例。查看女人+先生-男人结果,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