一、簡介

　1）jieba

　　中文叫做結巴，是一款中文分詞工具，https://github.com/fxsjy/jieba

　2）word2vec

　　單詞向量化工具，https://radimrehurek.com/gensim/models/word2vec.html

　3）LR

　　LogisticRegression中文叫做邏輯迴歸模型，是一種基礎、常用的分類方法

 

二、步驟

　0）建立jupyter notebook

　　桌面新建名字為基於word2vec的文件分類的資料夾，並進入該資料夾，按住shift，滑鼠點選右鍵，然後選擇在此處開啟命令視窗，然後在dos下輸入：jupyter notebook

　　新建一檔案：word2vecTest.ipynb

　1）資料準備

　　連結：https://pan.baidu.com/s/1mR87V40bUtWgUBIoqn4lOw 密碼：lqe4

　　訓練集共有24000條樣本，12個分類，每個分類2000條樣本。

　　測試集共有12000條樣本，12個分類，每個分類1000條樣本。

　　下載並解壓到基於word2vec的文件分類資料夾內：

 

　　檢視資料發現檔案分兩列：

import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
train_df.head()

　　檢視train每個分類的名字以及樣本數量：

for name, group in train_df.groupby(0):
    print(name,'\t', len(group))

#或者通過columns來檢視
train_df.columns = ['Subject', 'Content']
train_df['Subject'].value_counts().sort_index()

　　同樣的方法檢視test每個分類的名字以及樣本數量：

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))

　　

　　關於groupby函式，我們通過檢視name和group加以理解（變數group是一個GroupBy物件，它實際上還沒有進行任何計算）：

for name, group in df_train.groupby(0):
    print(name)
    print(group)

　　

　　其中科技即打印出來的name，後面的內容即group物件內容，包含兩列，第一列為科技，第二列為內容（注意：該train資料集包含了12個分類，這裡只是展示了name為科技的圖片，其他name結構類似） 

 

　2）分詞

　　安裝jieba：pip install jieba

　　對訓練集的24000條樣本迴圈遍歷，使用jieba庫的cut方法獲得分詞列表賦值給變數cutWords。

　　判斷分詞是否為停頓詞，如果不為停頓詞，則新增進變數cutWords中，檢視一下stopwords.txt檔案：

　　從上我們發現：這些停頓詞語都是沒用用的詞語，對我們文字分類沒什麼作用，所以在分詞的時候，將其從分詞列表中剔除

import jieba, time
train_df.columns = ['分類', '文章']
#stopword_list = [k.strip() for k in open('stopwords.txt', encoding='utf-8').readlines() if k.strip() != '']
#上面的語句不建議這麼寫，因為readlines()是一下子將所有內容讀入記憶體，如果檔案過大，會很耗記憶體，建議這麼寫
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篇文章分詞共花費%.2f秒' % (i, time.time() - startTime))
    cutWords_list.append(cutWords)

 　　本人電腦配置低（在linux下速度很快，本人用ubuntu，前5000篇文章分詞共花費373.56秒，快了近三分之二），用時：

　　然後將分詞結果儲存為本地檔案cutWords_list.txt，程式碼如下：

with open('cutWords_list.txt', 'w') as file: 
    for cutWords in cutWords_list:
        file.write(' '.join(cutWords) + '\n')

　　為了節約時間，將cutWords_list.txt儲存到本地，連結：https://pan.baidu.com/s/1zQiiJGp3helJraT3Sfxv5w 提取碼：g6c7 

　　載入分詞檔案：

with open('cutWords_list.txt') as file:
    cutWords_list = [ k.split() for k in file ]

　　檢視分詞結果檔案：cutWords_list.txt，可以看出中文分詞工具jieba分詞效果還不錯：

 

　3）word2vec模型

　　安裝命令：pip install gensim

　　呼叫gensim.models.word2vec庫中的LineSentence方法例項化行模型物件（為避免warning資訊輸出，匯入warning 模組）：

import warnings

warnings.filterwarnings('ignore')

from gensim.models import Word2Vec

word2vec_model = Word2Vec(cutWords_list, size=100, iter=10, min_count=20)

　　sentences：可以是一個list，對於大語料集，建議使用BrownCorpus，Text8Corpus或lineSentence構建

　　size：是指特徵向量的維度，預設為100。大的size需要更多的訓練資料，但是效果會更好，推薦值為幾十到幾百

　　min_count：可以對字典做截斷，詞頻少於min_count次數的單詞會被丟棄掉, 預設值為5

 

　　呼叫Word2Vec模型物件的wv.most_similar方法檢視與攝影含義最相近的詞

　　wv.most_similar方法有2個引數，第1個引數是要搜尋的詞，第2個關鍵字引數topn資料型別為正整數，是指需要列出多少個最相關的詞彙，預設為10，即列出10個最相關的詞彙

　　wv.most_similar方法返回值的資料型別為列表，列表中的每個元素的資料型別為元組，元組有2個元素，第1個元素為相關詞彙，第2個元素為相關程度，資料型別為浮點型

word2vec_model.wv.most_similar('攝影')

　　

　　wv.most_similar方法使用positive和negative這2個關鍵字引數的簡單示例。檢視女人+先生-男人的結果，程式碼如下：

word2vec_model.most_similar(positive=['女人', '先生'], negative=['男人'], topn=1)

　　檢視兩個詞的相關性，如下圖所示：

word2vec_model.similarity('男人', '女人')
word2vec_model.similarity('攝影', '攝像')

　　

 　　儲存Word2Vec模型為word2vec_model.w2v檔案，程式碼如下：

word2vec_model.save( 'word2vec_model.w2v' )

 

　4）特徵工程

　　對於每一篇文章，獲取文章的每一個分詞在word2vec模型的相關性向量。然後把一篇文章的所有分詞在word2vec模型中的相關性向量求和取平均數，即此篇文章在word2vec模型中的相關性向量（用一篇文章分詞向量的平均數作為該文章在模型中的相關性向量）

　　例項化Word2Vec物件時，關鍵字引數size定義為100，則相關性矩陣都為100維

　　getVector函式獲取每個文章的詞向量，傳入2個引數，第1個引數是每篇文章分詞的結果，第2個引數是word2vec模型物件

　　每當完成1000篇文章詞向量轉換的時候，列印花費時間

　　最終將24000篇文章的詞向量賦值給變數X，即X為特徵矩陣

　　對比文章轉換為相關性向量的4種方法花費時間。為了節省時間，只對比前5000篇文章轉換為相關性向量的花費時間

　　4.1 ） 第1種方法，用for迴圈常規計算

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篇文章形成詞向量花費%.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種方法，用pandas的mean方法計算

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篇文章形成詞向量花費%.2f秒' %(i, time.time()-startTime))

        vector_list.append( getVector_v2(cutWords, word2vec_model) )
X = np.array(vector_list)

　　4.3）用numpy的mean方法計算

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篇文章形成詞向量花費%.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種方法，用numpy的add、divide方法計算

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篇文章形成詞向量花費%.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) )

　　

　　因為形成特徵矩陣的花費時間較長，為了避免以後重複花費時間，把特徵矩陣儲存為檔案。使用ndarray物件的dump方法，需要1個引數，資料型別為字串，為儲存檔案的檔名，載入資料也很方便，程式碼如下：

X.dump('articles_vector.txt')
#載入資料可以用下面的程式碼
X = np.load('articles_vector.txt')

 

　5）模型訓練、模型評估

　　1）標籤編碼

　　　　呼叫sklearn.preprocessing庫的LabelEncoder方法對文章分類做標籤編碼

import pandas as pd

from sklearn.preprocessing import LabelEncoder
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
train_df.columns = ['分類', '文章']
labelEncoder = LabelEncoder()
y = labelEncoder.fit_transform(train_df['分類'])

　　

　　2）LR模型

　　　　呼叫sklearn.linear_model庫的LogisticRegression方法例項化模型物件

　　　　呼叫sklearn.model_selection庫的train_test_split方法劃分訓練集和測試集

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）儲存模型

　　　　呼叫sklearn.externals庫中的joblib方法儲存模型為logistic.model檔案

　　　　模型持久化官方文件示例：http://sklearn.apachecn.org/cn/0.19.0/modules/model_persistence.html

from sklearn.externals import joblib
joblib.dump(logistic_model, 'logistic.model')

#載入模型
logistic_model = joblib.load('logistic.model')

　　4）交叉驗證

　　　呼叫sklearn.model_selection庫的ShuffleSplit方法例項化交叉驗證物件

　　　呼叫sklearn.model_selection庫的cross_val_score方法獲得交叉驗證每一次的得分

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）模型測試

　　呼叫sklearn.externals庫的joblib物件的load方法載入模型賦值給變數logistic_model

　　呼叫DataFrame物件的groupby方法對每個分類分組，從而每種文章類別的分類準確性

　　呼叫自定義的getVector方法將文章轉換為相關性向量

　　自定義getVectorMatrix方法獲得測試集的特徵矩陣

　　呼叫StandardScaler物件的transform方法將預測標籤做標籤編碼，從而獲得預測目標值

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 = ['分類', '文章']
for name, group in test_df.groupby('分類'):
    featureMatrix = getVectorMatrix(group['文章'])
    target = labelEncoder.transform(group['分類'])
    print(name, logistic_model.score(featureMatrix, target))

　7）結論

　　word2vec模型應用的第1個小型專案，訓練集資料共有24000條，測試集資料共有12000條。

　　經過交叉驗證，模型平均得分為0.78左右。

　　測試集的驗證效果中，體育、教育、健康、旅遊、汽車、科技、房地產這7個分類得分較高，即容易被正確分類。

　　女人、娛樂、新聞、文化、財經這5個分類得分較低，即難以被正確分類。

　　想要學習如何提高文件分類的準確率，請檢視我的另外一篇文章《基於jieba,TfidfVectorizer,LogisticRegression進行搜狐新聞文字分類》

 

　8）致謝

　　本文參考簡書：https://www.jianshu.com/p/96b983784dae

　　感謝作者的詳細過程，再次感謝！