快捷搜索:

本章主要讲解文本分类的整体流程和相关算法,

原题目:用机器学习怎么着识别不可描述的网址

本章知识点:汉语分词,向量空间模型,TF-IDF方法,文本分类算法和商量目标
选取的算法:朴素的贝叶斯算法,KNN方今邻算法
python库:jieba分词,Scikit-Learning
本章目的:达成Mini的文本分类类别
本章首要教师襄本分类的全体流程和连锁算法

全文几乎3500字。读完只怕要求下面那首歌的光阴


前二日助教节,人工智能头条的某部精神投资者粉群里,我们纷纭向那时候为大家启蒙、给大家带来美观的教员们致以谢谢之情。

2.1 文本发掘和文书分类的概念

1,文本发掘:指从大气的公文数据中收取事先未知的,可以见到晓的,最后可选取的知识的进程,同有时间利用那一个文化越来越好的团队新闻以便以后参见。
简言之,正是从非结构化的文本中找出知识的进程
2,文本开采的分开领域:找出和消息找寻(IXC90),文本聚类,文本分类,Web发现,新闻收取(IE),自然语言管理(NLP),概念提取。
3,文本分类:为客商给出的种种文书档案找到所属的不易类别
4,文本分类的施用:文本检索,垃圾邮件过滤,网页分层目录自动生成元数据,主题素材检验
5,文本分类的方式:风华正茂是基于格局系统,二是分类模型


好些个少人代表,他们的硬盘里,到现在还保留着那时他俩上课时候的录制。有点现行反革命网址桐月经很难找到了,于是大家又纷繁开头相互沟通跟随那个导师深造实行的心体面会。

2.2 文本分类项目

图片 1

华语语言的文本分类技能和流程:

1)预管理:去除文本的噪新闻息:HTML标签,文本格式调换
2)汉语分词:使用中文分词器为文本分词,并删除停用词
3)构建词向量空间:总括文本词频,生成文书的词向量空间
4 ) 权重战略--TF-IDF方法:使用TF-IDF发现特征词,并抽出为反映文书档案核心的性状
5)分类器:使用算法练习分类器
6)评价分类结果:分类器的测验结果剖判

禅师最爱怜的教授

2.2.1 文本预管理:

文本管理的主干任务:将非结构化的文本转换为结构化的格局,即向量空间模型

文本管理从前须要对不一样类其余文本进行预管理

新生禅师想起来,另一位造智能头条的精神法人股东粉群西方世界里,有人提到过她写了大器晚成篇Chat,利用 NLP 来鉴定分别是平日网址和不足描述网站,还挺有一点意思,一同来探视吧。

文本预管理的步调:

1,选拔处理的公文的限量:整个文档或内部段落
2,创立分类文本语言材质库:
训练集语言质地:已经分好类的文书能源。(文件名:train_corpus_small)
测验集语言质感:待分类的文书语言材质(本项目标测量试验语言材质随机选自演习语言材质)(文件名:test_corpus)
3,文本格式调换:统生机勃勃退换为纯文本格式。(注意难题:乱码)
4,检查实验句子边界:标识句子甘休

互连网中富含着海量的内容消息,基于这一个音信的开挖始终是成都百货上千世界的研商销路广。当然区别的小圈子急需的音信并不一致,有的研究须要的是文字信息,有的研讨必要的是图表音信,有的探讨必要的是节奏音讯,有的商讨须求的是录像消息。

2.2.2 普通话分词介绍

1,粤语分词:将二个汉字连串(句子)切分成一个单独的词(闽南语自然语言管理的骨干难题)
2,中文分词的算法:基于可能率图模型的法则随飞机场(CRF)
3,分词后文本的结构化表示:词向量空间模型,大旨模型,依存句法的树表示,RAV4DF的图表示
4,本项指标分词系统:选择jieba分词
5, jieba分词协助的分词方式:私下认可切分,全切分,寻觅引擎切分
6,jieba分词的代码见文件:对未分词语言材质库实行分词并长久化对象到二个dat文件(创制分词后的语言质地文件:train_corpus_seg)

#coding=utf-8

import sys
import os
import jieba

reload(sys)
sys.setdefaultencoding('utf-8')    # 配置UTF-8输出环境

#定义两个函数,用于读取和保存文件

def savefile(savpath,content):   # 定义一个用于保存文件的函数
    fp = open(savepath,"wb")
    fp.write(content)
    fp.close()

def readfile(path):    # 定义一个用于读取文件的函数
    fp = open(path,"rb")
    content = fp.read()
    fp.close()
    return content    #函数返回读取的内容


# 以下是整个语料库的分词主程序

corpus_path = "train_corpus_small/"   # 未分词分类语料库路径
seg_path = "train_corpus_seg/"  # 分词后分类语料库路径

catelist = os.listdir(corpus_path) #os.listdir获取cor_path下的所有子目录

for mydir in catelist:       # 遍历所有子目录
    class_path = corpus_path+mydir+"/"  #构造分类子目录的路径
    seg_dir = seg_path+mydir+"/"  #构造分词后的语料分类目录

    if not os.path.exists(seg_dir):  # 是否存在目录,如果没有则创建
        os.makedirs(seg_dir)

    file_list = os.listdir(class_path)  # 获取目录下的所有文件

    for file_path in file_list:      # 遍历目录下的所有文件
        fullname = class_path+file_path    #文件路径
        content = readfile(full.name).strip()   # 读取文件,strip()用于移除字符串头尾指定的字符,即移除头尾的空格
        content = content.replace("rn","").strip()  # 将空格和换行替代为无
        content_seg = jieba.cut(content)    # 利用jieba分词

        savefile(seg_dir+file_path," ".join(content_seg))   # 调用函数保存文件,保存路径为:seg_dir+file_path,用空格将分词后的词连接起来

print "中文语料分词结束"


#############################################################################

# 为了便于后续的向量空间模型的生成,分词后的文本还要转换为文本向量信息并对象化
# 引入Scikit-Learn的Bunch类

from sklearn.datasets.base import Bunch
bunch = Bunch{target_name=[],label=[],filename=[],contents=[]}

# Bunch类提供键值对的对象形式
#target_name:所有分类集名称列表
#label:每个文件的分类标签列表
#filename:文件路径
#contents:分词后的文件词向量形式

wordbag_path = "train_word_bad/train_set.dat"  #分词语料Bunch对象持久化文件路径
seg_path = "train_corpus_seg/"   #分词后分类语料库路径(同上)

catelist = os.listdir(seg_path)  # 获取分词后语料库的所有子目录(子目录名是类别名)
bunch.target_name.extend(catelist)   # 将所有类别信息保存到Bunch对象

for mydir in catelist:     # 遍历所有子目录
    class_path = seg_path+mydir+"/" # 构造子目录路径
    file_list = os.listdir(class_path)    # 获取子目录内的所有文件
    for file_path in file_list:     # 遍历目录内所有文件
        fullname = class_path+file_path    # 构造文件路径
        bunch.label.append(mydir)      # 保存当前文件的分类标签(mydir为子目录即类别名)
        bunch.filenames.append(fullname)  # 保存当前文件的文件路径(full_name为文件路径)
        bunch.contents.append(readfile(fullname).strip())  # 保存文件词向量(调用readfile函数读取文件内容)

file_obj = open(wordbad_path,"wb")  # 打开前面构造的持久化文件的路径,准备写入
pickle.dump(bunch,file_obj)   # pickle模块持久化信息,bunch是要持久化的文件,已添加了信息。file_obj是路径
file_obj.close()
# 之所以要持久化,类似游戏中途存档,分词后,划分一个阶段,将分词好的文件存档,后面再运行就不用重复分词了

print "构建文本对象结束!!"      

# 持久化后生成一个train_set.dat文件,保存着所有训练集文件的所有分类信息
# 保存着每个文件的文件名,文件所属分类和词向量

图片 2

2.2.3 Scikit-Learn库简介

正文就是基于网页的文字音信来对网址举办分类。当然为了简化难题的纵横交错,将以二个二分类难题为例,即什么辨别二个网址是不足描述网址依然平常网址。你大概也注意 QQ 浏览器会提示客户访谈的网址恐怕会含有色情新闻,就恐怕用到类似的情势。本次的享受主要以法文网址的网址开展剖释,重倘诺那类网址在海外的豆蔻年华对国家是官方的。其余语言的网址,方法类似。

1,模块分类:

1)分类和回归算法:广义线性模型,扶助向量机,kNN,朴素贝叶斯,决策树,特征采纳
2)聚类算法:K-means
3)维度约简:PCA
4)模型选用:交叉验证
5)数据预管理:标准化,去除均值率和方差缩放,正规化,二值化,编码分类特征,缺点和失误值的插补

意气风发,哪些音信是网址根本的语言材质消息

2.2.4 向量空间模型:文本分类的结构化方法

1,向量空间模型:将文件表示为贰个向量,该向量的各样特征表示为文本中冒出的词
2,停用词:文本分类前,自动过滤掉有些字或词,以节省积存空间。依照停用词表去除,表可下载。代码见文件

搜索引擎更换了过四人的上网情势,早先只要您要上网,只怕得记住比很多的域名照旧IP。不过以后倘令你想拜候某些网站,首先想到的是通过寻觅引擎实行主要字找出。举例笔者想拜望一个名称为村中少年的博客,那么风华正茂旦在搜寻引擎输入村中少年那类关键词就可以了。图1是寻觅村中少年博客时候的成效图:

2.2.5 权重计策:TF-IDF方法

1,词向量空间模型:将文件中的词转变为数字,整个文本集调换为维度相等的词向量矩阵(轻便通晓,收抽取不重复的各样词,以词出现的次数表示文本)
2,归蒸蒸日上化:指以可能率的样式表示,举个例子:0,1/5,0,0,1/5,2/5,0,0,也称为:词频TF(仅针对该文书档案本人)
3,词条的文书档案频率IDF: 针对富有文书档案的词频

图片 3

TF-IDF权重计策:总括文本的权重向量

1,TF-IDF的意义:词频逆文书档案频率。要是某些词在如日方升篇小说中冒出的效用高(词频高),并且在别的作品中比非常少现身(文书档案频率低),则认为该词拥有很好的类型区分手艺,相符用来分类。IDF其实是对TF起抵消成效。
2,词频TF的概念:某一个加以的词语在该文件中出现的频率(对词数的归豆蔻年华化)
3,逆文件频率IDF:某风流罗曼蒂克特定词语的IDF,由总文件数除以包括该词语的公文的数码,再将商取对数
4,TF-IDF的计算:TF与IDF的乘积
5,将分词后的持久化语言材质库文件dat利用TF-IDF战术转向,并长久化的代码见文件

#coding=utf-8

import sys
import os 
from sklearn.datasets.base import Bunch  # 导入Bunch类
import cPickle as pickle  #导入持久化类

from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer   # TF-IDF向量转换类
from sklearn.feature_extraction.text import TfidfVectorizer   # TF-IDF向量生成类


reload(sys)
sys.setdefaultencoding('utf-8')  #UTF-8输出环境

# 读取和写入Bunch对象的函数

def readbunchobj(path):   # 读取bunch对象函数
    file_obj = open(path,"rb")
    bunch = pickle.load(file_obj)  # 使用pickle.load反序列化对象
    file_obj.cloase()
    return bunch

def writebunchobj(path,bunchobj):   # 写入bunch对象函数
    file_obj = open(path,"wb")
    pickle.dump(bunchobj,file_obj)   # 持久化对象
    file_obj.close()

###################################从训练集生成TF-IDF向量词袋

# 1,导入分词后的词向量Bunch对象
path = "train_word_bag/train_set.dat"  # 词向量空间保存路径(就是分词后持久化的文件路径)
bunch = readbunchobj(path)   # 调用函数读取bunch对象,赋值给bunch

# 2,构想TF-IDF词向量空间对象,也是一个Bunch对象
tfidfspace = Bunch(target_name=bunch.target_name,label=bunch.label,filenames=bunch.filenames,tdm=[],vocabulary=[])     # 构建Bunch对象,将bunch的部分值赋给他

# 3,使用TfidfVectorizer初始化向量空间模型
vectorizer = TfidfVectorizer(stop_words=stpwrdlist,sublinear_tf=True,max_df=0.5)
transformer=TfidfTransformer()   # 创建一个该类的实例,该类会统计每个词语的TF-IDF权值
# 文本转化为词频矩阵,单独保存字典文件
tfidfspace.tdm = vectorilzer.fit_transform(bunch.contents)  # 将bunch.content的内容……赋给模型的tdm值
tfidfspace.vocabulary = vectorizer.vocabulary   # ????????????????

# 4,持久化TF-IDF向量词袋
space_path = "train_word_bag/tfidfspace.dat"   # 词向量词袋保存路径
writebunchobj(space_path,tfidfspace)  # 调用写入函数,持久化对象

葡萄紫部分正是杰出上查找关键词的后生可畏对,叁个页面能够显示 11个条目,每一种条指标标题就是呼应网址网址的的 title,对应网页的 <title></title> 中间的内容,各类条目款项所对应的剩余文字部分就是网站的 deion,是网页中诸如 <meta name="deion" content= 的片段。

2.2.6 使用节能贝叶斯分类模块

常用的文本分类方法:kNN如今邻算法,朴素贝叶斯算法,扶持向量机算法

本节挑选朴素贝叶斯算法实行文本分类,测验集随机选用自训练集的文书档案集结,各样分类取13个文书档案

操练步骤和教练集同样:分词 (文件test_corpus) 》生成文件词向量文件 》 生成词向量模型。

(分裂点:在教练词向量模型时,需加载操练集词袋,将测量试验集生成的词向量映射到教练集词袋的词典中,生成向量空间模型。)代码见文件。

#1,导入分词后的词向量Bunch对象
path = "test_word_bag/test_set.dat"   # 词向量空间保存路径
bunch = readbunchobj(path)  # 调用函数读取bunch对象,赋值给bunch

#2,构建测试集TF-IDF向量空间testspace
testspace = Bunch(target_name=bunch.target_name,label+bunch.label,filenames=bunch.filenames.tdm=[],vocabulary=[])   

#3, 导入训练集的词袋(多这一步,与训练集不同)
trainbunch = readbunchobj("train_word_bag/tfidfspace.dat")  # tfidfspace.dat文件是训练集使用TF-IDF策略并持久化生成的

#4, 使用TfidfVectorizer初始化向量空间模型
vectorizer=TfidfVectorizer(stop_words=stpwrdlst,sublinear_tf=True,max_df=0.5,vocabulary=trainbunch.vocabulary)
transformer=TfidfTransformer()    # 创建一个该类的实例,该类会统计每个词语的TF-IDF权值
testspace.tdm=vectorizer.fit_transform(bunch.contents)   
testspace.vocabulary=trainbunch.vocabulary

#5, 创建词袋并持久化
space_path = "test_word_bag/testspace.dat"  #词向量空间保存路径
writebunchobj(space_path,testspace)  # 调用写入函数,持久化对象

实施多项式贝叶斯算法进行测验文本分类,并回到分类精度,代码见文件

# 执行多项式贝叶斯算法并进行测试文本分类,并返回分类精度

#1,导入多项式贝叶斯算法包
from sklearn.naive_bayes import MultinomialNB #导入多项式贝叶斯算法包

#2,执行预测

trainpath = "train_word_bag/tfidfspace.dat"
train_set = readbunchobj(trainpath)     #导入训练集向量空间

testpath = "test_word_bag/testspace.dat"
test_set = readbunchobj(testpath)        # 导入测试集向量空间

#应用朴素贝叶斯算法
# alpha:0.001   alpha越小,迭代次数越多,精度越高
clf = MultinomialNB(alpha = 0.001).fit(train_set.tdm,train_set.label)

# 预测分类结果
predicted = clf.predict(test_set.tdm)
total = len(predicted);rate = 0
for flabel,file_name,expct_cate in zip(test_set.label,test_set.filenames,predicted):
    if flabel !=expct_cate:
        rate+=1
        print file_name,":实际类别:",flabel,"-->预测类别:",expct-cate

print "error rate:",float(rate)*100/float(total),"%"

搜寻引擎的专门的学问规律正是首先将网络络海高校部分的网页抓取下来,并固守一定的目录实行仓库储存造成快速照相,每一种条款标标题就是原网址title(平时是 60 个字节左右,也正是 30 个汉字或然 60 各克罗地亚(Croatia)语字母,当然寻觅引擎也会对此 title 做料定的拍卖,例如去除一些无效的词),条指标叙说部分常见对应原网址deion。

2.2.7 分类结果评估

机械学习园地的算法评估的指标:
(1)召回率(查全率):检索出的有关文书档案数和文书档案库中具备的有关文书档案数的比值,是衡量检索系统的查全率
召回率=系统查找到的相干文书/系统具有有关的文书档案总量
(2)精确率(精度):检索出的相干文书档案数与追寻出的文档总数的比值
正确率=系统查找到的连锁文书/系统具备检索到的文书总的数量
(3)Fp-Measure
Fp=(p2+1)PRubicon/(p2P+哈弗),P是精确率,PRADO是召回率
p=1时,就是F1-Measure
文本分类项目标归类评估结果评估:代码见文件

import numpy as np
from sklearn import metrics

def metrics_result(actual,predict):
    print '精度:{0:3f}'.format(metrics.precision_score(actual,predict))
    print '召回:{0:0.3f}'.format(metrics.recall_score(actual,predict))
    print 'f1-score:{0:3f}'.format(metrics.f1_score(actual,predict))

metrics_result(test_set.label,predicted)

#输出形式如
#精度:0.991
#召回:0.990
#f1-score:0.990

当在查找框中输加入关贸总协定协会键词时候,会去和其累积网页举办相称,将符合相配的网页根据个网页的权重分页举办显示。当然网页的权重包涵众多地方,举个例子广告付费类权重就格外的高,经常会在靠前的岗位展现。对于平日的网址,其权重富含网页的点击次数,以致和重大词相配的品位等来支配展现的内外相继。

2.3 分类算法:朴素贝叶斯

本节关键探讨朴素贝叶斯算法的基本原理和python实现

寻觅引擎会去和网页的怎么着内容张开相称吗?如前方所述,日常是网页的 title、deion 和 keywords。由于首要词相称的品位越高的网址呈现在前的票房价值非常的大,由此不菲网址为了抓实协和的排名,都会开展 SEO 的优化,而 title、deion 和 keywords 是 SEO 优化的重大方面。至于不可描述网址,更是如此。有段时间《中夏族民共和国令人忧虑图鉴》那篇文章中也关系。由于搜索引擎并不会公开接受以至赌钱、黄色网址广告制作费让他俩排到后边。所以这个网址只可以采用SEO,强行把团结刷到前边。直到被搜寻引擎发掘,赶紧对它们“降权”管理。固然如此,这个风骚网址假设能把温馨刷到前二位大器晚成多个钟头,就可以见到大赚一笔。

2.3.1 贝叶斯公式推导

节省贝叶斯文本分类的思维:它认为词袋中的两两词之间是互相独立的,即多个目的的特征向量中的种种维度都以相互独立的。
节约能源贝叶斯分类的概念:
(1),设x={a1,a2,^am}为三个待分类项,而各种a为x的二个表征属性
(2),有档期的顺序群集C={y1,y2,……yn}.
(3),计算P(y1|x),P(y2|x),……,P(yn|x)
(4),如果P(yk|x)=max{P1,P2,……,Pn},则x属于yk

-- 总结第(3)步的次第条件可能率:
(1)找到二个已知分类的待分类集合,即锻练集
(2)计算获得在每一个项目下的逐一特征属性的典型概率推测,即:
P(a1|y1),P(a2|y2),……,P(am|y1)
P(a1|y2),P(a2|y2),……,P(am|y2)
……
(3),假诺每一个特征属性是基准独立的,依照贝叶斯定理有:
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于具有种类为常数,故只需将分子最大化就可以

故,贝叶斯分类的流水生产线为:
首先等级 : 练习多少变化练习样板集:TF-IDF
其次品级: 对各类品种总计P(yi)
其三等第:对各类特征属性总括有所划分的原则可能率
第四等级:对各种项目总结P(x|yi)P(yi)
第五等级:以P(x|yi)P(yi)的最大项作为x的所属连串

由上述深入分析可见 title、deion 和 keywords 等局地第神采奕奕的网页消息对于不可描述网址来讲都以透过精心设计的,和网页所要表述内容的相称度极其之高。极其相当多网址在国外有个别国家是合法的,因此对此经营那几个网址的人士来讲,优化这个音信一定是必定。作者曾经看过风华正茂份数据映未来某段时间某搜索引擎前十名中,绝大非常多的天青相关的。由此我们得以将其当做重中之重的语言材料音信。

2.3.2 朴素贝叶斯算法完毕

样例:使用简易的立陶宛(Lithuania)语语料作为数据集,代码见文件

# 编写导入的数据
def loadDataSet():
    postingList=[['my', 'dog', 'has', 'flea', 'problems', 'help', 'please'],
                 ['maybe', 'not', 'take', 'him', 'to', 'dog', 'park', 'stupid'],
                 ['my', 'dalmation', 'is', 'so', 'cute', 'I', 'love', 'him','my'],
                 ['stop', 'posting', 'stupid', 'worthless', 'garbage'],
                 ['mr', 'licks', 'ate', 'my', 'steak', 'how', 'to', 'stop', 'him'],
                 ['quit', 'buying', 'worthless', 'dog', 'food', 'stupid']]
                # 使用简单的英语语料作为数据集,有6个文本

    classVec = [0,1,0,1,0,1]     # 文本对应的类别

    return postingList,classVec  # postingList是训练集文本,classVec是每个文本对应的分类

###########################################################################

# 编写贝叶斯算法(sklearn已有贝叶斯算法包,现在是理解贝叶斯算法原理后,自己编写算法代码)


#(1)编写一个贝叶斯算法类,并创建默认的构造方法

class NBayes(object):     # 创建贝叶斯算法类

    def __init__(self):       #初始化类的属性
        self.vocabulary = []  #词典
        self.idf = 0          #词典的IDF权值向量
        self.tf = 0           #训练集的权值矩阵
        self.tdm = 0          #P(x|yi)
        self.Pcates = {}      #P(yi)是一个类别词典P(yi)的值:{类别1:概率,类别2:概率}
        self.labels = []      #对应每个文本的分类,是一个外部导入的列表
        self.doclength = 0    #训练集文本数
        self.vocablen = 0     #词典词长
        self.testset = 0      #测试集 


#(2)导入和训练数据集,生成算法必需的参数和数据结构

def train_set(self,trainset,classVec):  # 传入训练集文本和对应的分类类别

    self.cate_prob(classVec)    # 计算每个分类在数据集中的概率P(yi),cate_prob函数在下面创建
    self.doclength = len(trainset) # 用len函数计算训练集trainset的文本数,赋给类的doclength属性

    tempset = set()  # 使用set(),初始化一个空的集合:是一个无序不重复元素集
    [tempset.add(word) for doc in trainset for word in doc] #生成词典  ,add是往集合添加元素
    # doc遍历trainset,word遍历doc,再将word添加进tempset集合里
    # 训练集文本trainset实际上是一个矩阵,doc遍历取得向量,即单个文本,word遍历取得文本内的词,再添加进集合
    self.vocabulary = list(tempset) # 将tempset转换为列表list,添加进类的vocabulary属性,即词典
    self.vocablen = len(self.vocabulary) #len函数计算词典的长度(这里的词典实际上是一个不重复的词袋空间)

    self.calc_wordfreq(trainset)  # 计算数据集的词频(word frequency):tf和idf ,调用了calc_wordfred函数,传入训练集trainset
    self.build_tdm()  # 按分类累计向量空间的每维值P(x|yi),调用了build_tdm函数


# (3) cate_prob函数:计算数据集中 每个分类的概率P(yi)

def cate_prob(self,classVec):  # 该函数用于计算每个类别在数据集中的概率,被上面的train_set函数调用
    self.labels = classVec     # classVec是导入的训练集文本对应的类别
    labeltemps = set(self.labels)  # 获取全部分类,set()集合:无序不重复元素集,本例就两类:{0,1}
    for labeltemp in labeltemps:    # 遍历所有分类{0,1}
        self.labels.count(labeltemp)  #统计self.labels里类别的个数:类别0的个数和类别1的个数
        self.Pcates[labeltemp] = float(self.labels.count(labeltemp))/float(len(self.labels))
        # 每种类别个数/类别类别总数:6,在Pcates字典里,创建键值对{'0':概率,'1':概率}


# (4) calc_wordfred函数:生成普通的词频向量  TF-IDF

def calc_wordfred(self,trainset):   # 用于计算词袋(词典)内每个词的词频,被上面的train_set函数调用

    self.idf = np.zeros([1,self.vocablen]) # 全0矩阵,矩阵大小:1x词典长度,self.vocablen是上面计算出的词典长度(词袋长)
    self.tf = np.zeros([self.doclength,self.vocablen]) #构造全0矩阵:训练集文件数x词典数,doclength是上面计算出的训练集文本数:6,vocablen是计算出的词典长度 
    #构造训练集的IDF和TF向量模型,IDF是一行,TF是文档数,行,初始化全为0

    for indx in xrange(self.doclength):  # xrange与range用法相同,结果不同,生成的不是列表,而是生成器,适合数字序列较大时,不用一开始就开辟内存空间
    # indx遍历训练集文本数列表,indx取得的是数
        for word in trainset[indx]: #word 遍历trainset中的每一文本的词,##word取得的是词
            self.tf[indx,self.vocabulary.index(word)] +=1    # 权值矩阵的第index行,第k列,加1
            # 词典列表的index方法,返回word的索引位置k
            #  生成了TF词频矩阵

        for signleword in set(trainset[indx]):  # signleword遍历训练集文本里每一文本构成的集合(取得每一文本不重复的词),
            self.idf[0,self.vocabulary.index(signleword)] +=1  # idf权值矩阵的第k个加1
            #index返回每一文本不重复词的索引位置
            #生成IDF矩阵           
## 实际上本函数生成的是训练集的TF矩阵和词袋的IDF矩阵(绝对数形式,非频率)        


# (5) build_tdm函数:按分类累计计算向量空间的每维值P(x|yi),已知类别为yi,求是x的概率

def build_tdm(self):   #计算P(x|yi),被train_set函数调用

    self.tdm = np.zeros([len(self.Pcates),self.vocablen])  #构造全0矩阵,大小:类别词典长度2(在cate_prob函数里)x 词典长度(train_set函数里)
    sumlist = np.zeros([len(self.Pcates),1])  # 构造全0矩阵:大小:类别词典长度x1
    #统计每个分类的总值,sumlist两行一列

    for indx in xrange(self.doclength):    #indx遍历训练集文本数生成的列表[0,1,2,3,4,5],取得的是数字 

        #将同一类别的词向量空间值tf加总
        #即:tf权值矩阵值,六行,分为两类,同类相加,变为两行
        self.tdm[self.labels[indx]] += self.tf[indx]   # labels[indx]是训练集文本对应类别里的第indx个(在cate_prob函数里)即[0,1,0,1,0,1]里的第indx个,对应tdm的第某行
        # tf[indx]是tf权值矩阵的第indx行(在calc_wordfred函数里)

        #统计每个分类的总值--是一个标量
        sumlist[self.labels[indx]] = np.sum(self.tdm[self.labels[indx]]) 
        #利用np.sum计算tdm矩阵的和,赋值给sumlist矩阵的?
        # sumlist得到的结果:0:总值
                            #1:总值

    self.tdm = self.tdm/sumlist   # tdm即:P(x|yi)=P(xyi)/P(yi)
    #得到的结果tdm是一个两行,词典长列的矩阵,表示着P(a1|yi),P(a2|yi)……
  #tdm是一个向量,sumlist是一个值


(3)-(5)函数都被train_set函数调用  
#####################################################################################



# (6) map2vocab函数:将测试集映射到当前字典

def map2vocab(self,testdata):  # 传入测试集数据 testdata
    self.testset = np.zeros([1,self.vocablen])  #构造全0矩阵,大小:1*词典长度
    for word in testdata:    # word遍历测试集(某个文本)
        self.testset[0,self.vocabulary.index(word)] +=1 # testset矩阵的第k个加1
        # vocabulary.index(word)返回字典的与word匹配的词的索引位置
# 本函数是将测试集文档转换为以频数表示的[   ]矩阵   


# (7) predict函数:预测分类结果,输出预测的分类类别

def predict(self,testset):    #传入测试集数据

    if np.shape(testset)[1] != self.vocablen: #如果测试集长度与词典长度不相等,则退出程序
        print "输出错误"
        exit(0)

    predvalue = 0  #初始化类别概率
    predclass = ""  # 初始化类别名称

    for tdm_vect,keyclass in zip(self.tdm,self.Pcates): 
       #P(x|yi) P(yi)    #      变量tdm,计算最大分类值
    #zip函数将tdm和Pcates打包成元组,并返回元组组成的列表。
    #tdm是P(x|yi),Pacates是类别词典P(yi)

        temp = np.sum(testset*tdm_vect*self.Pacate[keyclass])  #测试集testset乘tdm_vect乘Pcates[keyclass]  ,并求和
        #测试集向量*P
        if temp > predvalue:  
            predvalue = temp
            predclass = keyclass
    return predclass   # 输出预测的类别(概率最大的类别)

#########################################################################

#算法的改进:为普通的词频向量使用TF-IDF策略

#calc_tfidf函数:以TF-IDF方式生成向量空间

def calc_tfidf(self,trainset):        # 传入训练集数据
    self.idf = np.zeros([1,self.vocablen])   #构造全0矩阵,大小:1*词典长度
    self.tf = np.zeros([self.doclength,self.vocablen])  #构造全0矩阵,大小:文本数*词典长度

    for indx in xrange(self.doclength):   #indx遍历文本数生成的列表,取得的是数字      
        for word in trainset[indx]:        #word遍历训练集的第indx个文本里的词
            self.tf[indx,self.vocabulary.index(word)]+=1  #tf矩阵的某个值加1
            #消除不同句长导致的偏差
        self.tf[indx] = self.tf[indx]/float(len(trainset[indx]))  #计算的是频率而不是频数

        for signleword in set(trainset[indx]):
            self.idf[0,self.vocabulary.index(signleword)] +=1
    self.idf = np.log(float(self.doclength)/self.idf)

    self.tf = np.multiply(self.tf,self.idf) # 矩阵与向量的点乘TFxIDF

######################################################################

#执行创建的朴素贝叶斯类,获取执行结果

#coding=utf-8

import sys
import os
from numpy import *
import numpy as np
from NBayes_lib import *

dataSet,listClasses = loadDataSet() 

 # 导入外部数据集,loadDataSet是自己创建的函数,返回值为两个,postingList是训练集文本,classVec是每个文本对应的分类
# dataset为句子的词向量
# listclass为句子所属类别 [0,1,0,1,0,1]

nb = NBayes()  #实例化 NBayes是我们创建的贝叶斯算法类
nb.train_set(dataSet,listClasses) # 训练数据集。train_set是创建的类的函数,用于训练
nb.map2vocab(dataSet[0])   # 随机选择一个测试句 #map2vocab函数将测试集映射到当前词典
print nb.predict(nb.testset)  # 输出分类结果,predict函数用于预测分类结果,输出预测的分类类别

# 最后运行程序,看似没有数据间传递,实则是在类属性中已定义好并赋值给属性

二,语言材料新闻的获取

2.4 分类算法:KNN

KNN算法:计算向量间的相距衡量相似度来扩充文本分类

现行事实下面临的是贰个二分类的难点,即判别一个网站是不可描述网址还是好端端的网址。那些标题能够归纳为 NLP 领域的文件分类难点。而对此文本分类的话的首先步就是语言材质的获得。在首先片段也已经剖判了,相关语料正是网址的 title,deion 以至 keywords。

2.4.1 KNN算法的原理

1,算法观念:如若二个样书在特色空间的k个方今邻(最近似)的范本中的大非常多都属于某意气风发连串,则该样品也属于这么些类别,k是由友好定义的表面变量。

2,KNN算法的步调:

首先等第:分明k值(就是近些日子邻的个数),日常是奇数
第二品级:鲜明间隔衡量公式,文本分类日常选拔夹角余弦,得出待分类数总部与具备已知类其他样板点,从当中选拔离开近年来的k个样品
夹角余弦公式:cos =AB/|A|*|B|
其三等级:总结k个样板点中逐意气风发品类的多寡,哪个项指标多寡最多,就把数分局分为什么系列

怎么赢得那个数量,能够经过 alex 排行靠前的网址,利用爬虫举行获取。本文对苏降水规数据的拿走,选拔 alex 排行前 4500 的网址,通过爬虫,提取网页的 title 和 deion 甚至 keywords 作为土生土养文本。对于色情数据的拿到亦然,通过爬虫对已经已经积攒的 4500 个的站点进行文本搜罗。由于那部数据是敏感数据,因而数据集无法向我们了然,还请见量。

2.4.2 kNN算法的python实现
#coding=utf-8

#第一阶段,导入所需要的库,进行数据的初始化

import sys
import os
from numpy import *
import numpy as *
import operator
from Nbayes_lib import *

# 配置utf-8输出环境

reload(sys)
sys.setdefaultencoding('utf-8')

k=3

#第二阶段:实现夹角余弦的距离公式

def cosdist(vector1,vector2):
    return dot(vector1,vector2)/(linalg.norm(vector1)*linalg.norm(vector2)) # 夹角余弦公式;AB/|A||B|   

#第三阶段:KNN实现分类器

#KNN分类器

#测试集:testdata;训练集:trainSet;类别标签;listClasses; k:k个邻居数

def classify(testdata,trainSet,listClasses,k):
    dataSetSize=trainSet.shape[0]     #返回样本的行数,(shape返回行数和列数)
    distances=array(zeros(dataSetSize))  #构造一个全0数组,大小为;

    for indx in xrange(dataSetSize):   #计算测试集与训练集之间的距离:夹角余弦
        distances[indx]=cosdist(testdata,trainSet[indx])
        sortedDisIndicies=argsort(-distances)
        classCount={}
        for i in range(k):#获取角度最小的前k项作为参考项
            #按排序顺序返回样本集对应的类别标签
            voteIlabel=listClasses[sortedDistIndices[i]]
            #为字典classCount赋值,相同key,其value加1
            classCount[voteIlabel]=classCount.get(voteIlabel,0) +1

        #对分类字典classCount按value重新排序
        #sorted(data.iteritems(),key=operator.itemgetter[1],reverse=True)
        #classCount.iteritems();字典迭代器函数
        #key ;排序参数;operator.itemgetter(1):多级排序
        sortedClassCount=sorted(classCount.iteritem(),key=operator.itemgetter(1),reverse=True)
        return sortedClassCount[0][0]   #返回排序最高的一项

# 最后使用KNN算法实现文本分类

dataSet,listClasses=loadDataSet()
nb.NBayes()
nb.train_set(dataSet,listClasses)  #使用之前贝叶斯分类阶段的数据集及生成的TF向量进行分类

print classify(nb.tf[3],nb.tf,listClasses,k)

爬虫的达成是三个十分大的宗旨,本文篇幅有限,不在切磋,可以参考已有的有个别本事博客。总体来讲应对本文场景爬虫是很简短的,即发起二个HTTP 也许 HTTPS 链接,对回到的数量举行洗刷提取就可以,使用 python 的某个模块几条语句就足以解决。作者在多少得到进度中利用的是 nodejs 编写的爬虫,每一回同期提倡 一千 个诉求,4500 个站点几分钟就解决了。由于异步必要是 nodejs 优势之风姿洒脱,假如在时刻方面有较高必要的,能够虚构 nodejs(可是 nodejs 异步的编制程序和广大语言的编制程序差异一点都不小,学习起来有早晚的难度),若无提出利用 python,首假诺后续的机械学习,python 是最销路广的语言,包括众多的底子模块。

2.5 结语

本章讲授了机械学习的三个算法:朴素贝叶斯算法和K近日邻算法

介绍了文件分类的6个十分重要步骤:
1)文本预管理
2)粤语分词
3)构建词向量空间
4)权重计策----TF-IDF方法
5)朴素贝叶斯算法器
6)评价分类结果

三,分词,去停用词形成词向量特征

在获得一定的文书数据之后,必要对那一个原来的数量进行拍卖,最要害的正是分词。泰语分词比之普通话的分词要简明不菲,因为葡萄牙共和国语中词与词之间时有鲜明的间隔区分,举例空格和有些标点符号等。汉语的话,由于词语是由局地字组合的,全部要麻烦些,並且还应该有不一致情况下的歧义难点。当然 python 提供了比方 jieba 等强硬的分词模块,非常有扶持,不过完全来讲拉脱维亚语分词还要小心以下几点:

  1. 将每风流倜傥行单词全部转折为小写,排除大小写的滋扰。因为在本文场景下大小写词语所代表的意义基本一样,不予区分
  2. 切词,依赖正是空格,逗号等分隔符,将句子切分成一个个的单词。当然由于本文的语言质地全体起点网页,那中间词语的相间都集会场全部部分网页的性格,举个例子语言材料中会由多数独特的标志,如 | - _ , &# 等标识,须求进行破除
  3. 破除部分停用词。所谓的停用词平常指的是葡萄牙共和国(República Portuguesa)语中的冠词,副词等,经过上一步骤切分出来的单词大概会包含an,and,another,any 等。由此须求将这个抽象词去除掉当然你也得以使用 nltk 中自带的停用词(from nltk.corpus import stopwords),可是有个别时候会遵照实际的利用场景,到场相应的停用词,因而自定义停用词词典恐怕灵活性越来越高级中学一年级些。举例在上一步骤中会切分出“&#”等等符号,由此须求将 &# 到场到停用词中。关于结束词,小编那之中使用了三个较为常用的停用词字典,同一时候出席了在网页中有的普及停用词。
  4. 领到词干。由于英文的特殊性,三个词会有三种场馆,例如stop,stops,stopping 的词干都是stop,平时状态所代表的意义都是一样的,只要求 stop 叁个就可以。不过对于大家的二分拣应用场景来讲,小编大器晚成开始未有做词干的领取因为不足描述网址中的 hottest 和常见网址中国共产党的 hot 依旧有一些间隔的。当然这一步能够依据具体的施用场景以至识别结果开展选取。
  5. 扫除数字。数字在一些不行描述网址中时常常出现的,可是为了自身那边照旧将其免除,譬如1080 在不足描述网站和健康的网址中出现的票房价值都相当高,表示录像的分辨率,当然这一步也是可选的。当然数字也得以踏入甘休词中,不过出于数字数量非常多,同期比较好辨认(isdigit() 函数鉴定区别就能够),因而对于数字的破除单独拿出去。

应用 python 的 jieba 模块组合上述所述的 5 个步骤,获得若干单词,相应代码为:

图片 4

以常规网址和不可描述网址的 deion 为例,对应的词云图如下:

图片 5

本文由银河国际平台网址发布于互联网,转载请注明出处:本章主要讲解文本分类的整体流程和相关算法,

相关阅读