1. 程式人生 > >利用jieba,word2vec,LR進行搜狐新聞文字分類 基於jieba,TfidfVectorizer,LogisticRegression進行搜狐新聞文字分類

利用jieba,word2vec,LR進行搜狐新聞文字分類 基於jieba,TfidfVectorizer,LogisticRegression進行搜狐新聞文字分類

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jiebapip 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positivenegative這2個關鍵字引數的簡單示例。檢視女人+先生-男人結果,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!