(二)澳门金沙国际网址:中文文本分类–机器学习算法原理与编程实践

原标题:用机器学习怎么着分辨不可描述的网站

本章知识点:汉语分词,向量空间模型,TF-IDF方法,文本分类算法和评论目标
运用的算法:朴素的贝叶斯算法,KNN近来邻算法
python库:jieba分词,Scikit-Learning
本章目的:完毕小型的公文分类序列
本章主要教学文本分类的共同体流程和连锁算法

全文差不多3500字。读完可能须要上面那首歌的时光


前两日助教节,人工智能头条的某个精神股东粉群里,我们纷纭向当年为我们启蒙、给大家带来美观的教员们致以感激之情。

2.1 文本挖掘和文书分类的概念

1,文本挖掘:指从大批量的文书数据中抽取事先未知的,可理解的,最后可选取的学识的历程,同时选用那些文化更好的集体信息以便未来参见。
简易,就是从非结构化的文本中寻觅知识的历程
2,文本挖掘的分开领域:搜索和消息寻找(IR),文本聚类,文本分类,Web挖掘,音讯抽取(IE),自然语言处理(NLP),概念提取。
3,文本分类:为用户给出的每个文档找到所属的不错连串
4,文本分类的利用:文本检索,垃圾邮件过滤,网页分层目录自动生成元数据,题材检测
5,文本分类的主意:一是依照情势系统,二是分类模型


众两个人表示,他们的硬盘里,至今还保存着当时她俩上课时候的视频。有一对现行网站上一度很难找到了,于是我们又纷繁发轫彼此调换跟随这一个助教学习实践的心得体会。

2.2 文本分类项目

澳门金沙国际网址 1

普通话语言的文本分类技术和流程:

1)预处理:去除文本的噪声新闻:HTML标签,文本格式转换
2)普通话分词:使用中文分词器为文本分词,并删除停用词
3)营造词向量空间:总计文本词频,生成文书的词向量空间
4 )
权重策略–TF-IDF方法:使用TF-IDF发现特征词,并抽取为反映文档大旨的风味
5)分类器:使用算法陶冶分类器
6)评价分类结果:分类器的测试结果分析

禅师最兴奋的师资

2.2.1 文本预处理:

文本处理的中坚义务:将非结构化的文书转换为结构化的款式,即向量空间模型

文本处理此前需求对不相同类型的文件进行预处理

后来禅师想起来,另一个人造智能头条的饱满股东粉群西边世界里,有人涉嫌过他写了一篇Chat,利用
NLP 来辨别是普普通通网站和不足描述网站,还挺有点意思,一起来看望啊。

文本预处理的步调:

1,选拔处理的文件的限量:整个文档或内部段落
2,建立分类文本语料库:
训练集语料:已经分好类的文书资源。(文件名:train_corpus_small)
测试集语料:待分类的公文语料(本项目标测试语料随机选自锻练语料)(文件名:test_corpus)
3,文本格式转换:统一更换为纯文本格式。(注意难题:乱码)
4,检测句子边界:标记句子甘休

网络中包含着海量的内容音讯,基于这一个新闻的挖沙始终是过多世界的研究热点。当然分裂的圈子急需的音讯并差距,有的研讨须要的是文字音信,有的探究必要的是图表音讯,有的研商必要的是音频音讯,有的研究须要的是视频音信。

2.2.2 汉语分词介绍

1,汉语分词:将一个汉字连串(句子)切分成一个独自的词(汉语自然语言处理的着力难题)
2,普通话分词的算法:基于几率图模型的标准随机场(CRF)
3,分词后文本的结构化表示:词向量空间模型,主旨模型,依存句法的树表示,RDF的图表示
4,本项目的分词系统:采纳jieba分词
5, jieba分词协助的分词情势:默许切分,全切分,搜索引擎切分
6,jieba分词的代码见文件:对未分词语料库举行分词并持久化对象到一个dat文件(创立分词后的语料文件: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("\r\n","").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

澳门金沙国际网址 2

2.2.3 Scikit-Learn库简介

本文就是依照网页的文字信息来对网站开展分拣。当然为了简化难点的纷纭,将以一个二分类难题为例,即如何鉴别一个网站是不可描述网站或者普通网站。你也许也只顾
QQ
浏览器会提醒用户访问的网站或者会包罗色情新闻,就可能用到接近的艺术。这次的享用主要以英文网站的网站进行分析,首即使那类网站在海外的一部分国度是合法的。其他语言的网站,方法类似。

1,模块分类:

1)分类和回归算法:广义线性模型,帮助向量机,kNN,朴素贝叶斯,决策树,特征拔取
2)聚类算法:K-means
3)维度约简:PCA
4)模型选取:交叉验证
5)数据预处理: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,缺失值的插补

一,哪些新闻是网站显要的语料音讯

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:将文件表示为一个向量,该向量的每个特征表示为文本中出现的词
2,停用词:文本分类前,自动过滤掉某些字或词,以节省储存空间。依照停用词表去除,表可下载。代码见文件

找寻引擎改变了众四个人的上网形式,在此以前只要你要上网,可能得记住很多的域名如故IP。不过现在一经你想访问某个网站,首先想到的是由此查找引擎举行紧要字搜索。比如自己想访问一个名为村中少年的博客,那么一旦在寻找引擎输入村中少年那类关键词就可以了。图1是寻找村中少年博客时候的作用图:

2.2.5 权重策略:TF-IDF方法

1,词向量空间模型:将文件中的词转换为数字,整个文本集转换为维度相等的词向量矩阵(不难驾驭,抽取出不另行的每个词,以词出现的次数表示文本)
2,归一化:指以几率的款型表示,例如:0,1/5,0,0,1/5,2/5,0,0,也称为:词频TF(仅针对该文档自身)
3,词条的文档频率IDF: 针对具有文档的词频

澳门金沙国际网址 3

TF-IDF权重策略:总计文本的权重向量

1,TF-IDF的意思:词频逆文档频率。就算某个词在一篇小说中冒出的效用高(词频高),并且在其余作品中很少出现(文档频率低),则以为该词具有很好的档次区分能力,适合用来分类。IDF其实是对TF起抵消功用。
2,词频TF的定义:某一个加以的用语在该公文中冒出的频率(对词数的归一化)
3,逆文件频率IDF:某一一定词语的IDF,由总文件数除以带有该词语的文件的数码,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料库文件dat利用TF-IDF策略转向,并持久化的代码见文件

#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

粉红色部分便是同盟上查找关键词的一对,一个页面可以浮现 10
个条文,每个条目标标题就是呼应网站网站的的 title,对应网页的
<title></title>
中间的情节,每个条目所对应的剩余文字部分便是网站的 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

常用的文书分类方法:kNN近日邻算法,朴素贝叶斯算法,支持向量机算法

本节选择朴素贝叶斯算法举行文本分类,测试集随机接纳自练习集的文档集合,每个分类取10个文档

锻炼步骤和陶冶集相同:分词 (文件test_corpus) 》生成文件词向量文件 》
生成词向量模型。

(差异点:在磨练词向量模型时,需加载磨练集词袋,将测试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

施行多项式贝叶斯算法举办测试文本分类,并重回分类精度,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),"%"

检索引擎的办事原理就是首先将互连网上半数以上的网页抓取下来,并依照一定的目录进行仓储形成快照,每个条目标标题就是原网站
title(寻常是 60 个字节左右,也就是 30 个汉字或者 60
各英文字母,当然搜索引擎也会对此 title
做一定的处理,例如去除一些没用的词),条目的叙述部分平日对应原网站
deion。

2.2.7 分类结果评估

机械学习世界的算法评估的目的:
(1)召回率(查全率):检索出的连锁文档数和文档库中兼有的相关文档数的比值,是衡量检索系统的查全率
召回率=系统查找到的连带文件/系统具有有关的文档总数
(2)准确率(精度):检索出的有关文档数与寻找出的文档总数的比值
准确率=系统查找到的相关文书/系统有着检索到的文件总数
(3)Fp-Measure
Fp=(p2+1)PR/(p2P+R),P是准确率,R是召回率
p=1时,就是F1-Measure
文件分类项目标分类评估结果评估: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

当在物色框中输入关键词时候,会去和其储存网页举办匹配,将符合匹配的网页根据个网页的权重分页进行呈现。当然网页的权重包含众多上面,例如广告付费类权重就格外的高,一般会在靠前的职责显得。对于一般的网站,其权重包含网页的点击次数,以及和首要性词匹配的档次等来控制突显的光景相继。

2.3 分类算法:朴素贝叶斯

本节关键研究朴素贝叶斯算法的基本原理和python完毕

查找引擎会去和网页的如何内容开展匹配吗?如前方所述,平时是网页的
title、deion 和
keywords。由于主要词匹配的水平越高的网站展现在前的几率较大,由此不少网站为了拉长自己的名次,都会举办SEO 的优化,而 title、deion 和 keywords 是 SEO
优化的要害方面。至于不可描述网站,更是如此。有段日子《中国令人担忧图鉴》这篇小说中也波及。由于搜索引擎并不会公然接受以及赌博、藏褐色网站广告费让他俩排到前面。所以这一个网站只好动用
SEO,强行把团结刷到前边。直到被搜寻引擎发现,赶紧对它们“降权”处理。即使如此,这么些风骚网站即便能把温馨刷到前几位一七个钟头,就可见大赚一笔。

2.3.1 贝叶斯公式推导

朴素贝叶斯文本分类的思考:它认为词袋中的两两词之间是并行独立的,即一个对象的特征向量中的每个维度都是相互独立的。
勤政贝叶斯分类的概念:
(1),设x={a1,a2,^am}为一个待分类项,而各类a为x的一个特点属性
(2),有项目集合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

— 总计第(3)步的各种条件几率:
(1)找到一个已知分类的待分类集合,即操练集
(2)总计得到在逐个项目下的相继特征属性的原则几率估量,即:
P(a1|y1),P(a2|y2),……,P(am|y1)
P(a1|y2),P(a2|y2),……,P(am|y2)
……
(3),如若逐个特征属性是基准独立的,按照贝叶斯定理有:
P(yi|x) = P(x|yi)*P(yi)/P(x)
分母对于有着项目为常数,故只需将分子最大化即可

故,贝叶斯分类的流水线为:
第一品级 : 磨炼多少变化陶冶样本集:TF-IDF
第二等级: 对每个门类计算P(yi)
其三等级:对每个特征属性计算有所划分的标准化几率
第四等级:对各类项目总计P(x|yi)P(yi)
第五阶段:以P(x|yi)P(yi)的最大项作为x的所属连串

由上述分析能够清楚 title、deion 和 keywords
等部分至关紧要的网页音讯对于不可描述网站以来都是经过精心设计的,和网页所要表述内容的匹配度极度之高。尤其很多网站在国外有些国家是法定的,由此对此经营那么些网站的人口的话,优化这么些新闻一定是早晚。我曾经看过一份数据突显在某段时间某寻找引擎前十名中,绝一大半的风骚相关的。由此我们可以将其当做重大的语料音信。

2.3.2 朴素贝叶斯算法完结

样例:使用简便的英文语料作为数据集,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,语料音信的得到

2.4 分类算法:KNN

KNN算法:统计向量间的偏离衡量相似度来举行文本分类

今天其实面临的是一个二分类的标题,即判断一个网站是不足描述网站仍旧健康的网站。那个题材可以归纳为
NLP
领域的公文分类难点。而对此文本分类的话的第一步就是语料的得到。在第一部分也已经分析了,相关语料就是网站的
title,deion 以及 keywords。

2.4.1 KNN算法的规律

1,算法思想:要是一个样本在特点空间的k个方今邻(近日似)的样书中的一大半都属于某一体系,则该样本也属于那个类型,k是由自己定义的外表变量。

2,KNN算法的步子:

首先等级:确定k值(就是近年来邻的个数),一般是奇数
第二品级:确定距离度量公式,文本分类一般采纳夹角余弦,得出待分类数据点与拥有已知类其他样本点,从中挑选距离目前的k个样本
夹角余弦公式:cos =AB/|A|*|B|
其三阶段:总括k个样本点中相继项目的多寡,哪个项目标多寡最多,就把多少点分为啥系列

哪些取得这个多少,可以由此 alex
名次靠前的网站,利用爬虫进行获取。本文对于正规数据的获取,接纳 alex
排行前 4500 的网站,通过爬虫,提取网页的 title 和 deion 以及 keywords
作为原有文本。对于色情数据的拿走亦然,通过爬虫对已经已经积累的 4500
个的站点举办文本收集。由于那部数据是灵动数据,由此数据集不能向我们了然,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)

爬虫的达成是一个很大的大旨,本文篇幅有限,不在琢磨,可以参考已有的有些技巧博客。总体来说应对本文场景爬虫是很简短的,即发起一个
HTTP 或者 HTTPS 链接,对回到的数据开展保洁提取即可,使用 python
的一对模块几条语句就可以搞定。我在多少获得进度中拔取的是 nodejs
编写的爬虫,每一趟同时提倡 1000 个请求,4500
个站点几秒钟就搞定了。由于异步请求是 nodejs
优势之一,若是在时光方面有较高必要的,可以考虑 nodejs(可是 nodejs
异步的编程和大规模语言的编程差距较大,学习起来有早晚的难度),倘使没有提出采纳python,首倘若一连的机器学习,python
是最叫座的言语,蕴涵众多的功底模块。

2.5 结语

本章讲解了机器学习的三个算法:朴素贝叶斯算法和K如今邻算法

介绍了文本分类的6个基本点步骤:
1)文本预处理
2)粤语分词
3)营造词向量空间
4)权重策略—-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

在赢得一定的文件数据以后,要求对那些本来的数量开展处理,最要紧的就是分词。英文分词比之普通话的分词要简单不少,因为英文中词与词之间时有显著的区间区分,例如空格和部分标点符号等。汉语的话,由于词语是由一些字组合的,全体要麻烦些,而且还有不一致境况下的歧义难点。当然
python 提供了诸如 jieba
等有力的分词模块,相当有利,可是完全来说英文分词还要小心以下几点:

  1. 将每一行单词全体转账为小写,排除大小写的困扰。因为在本文场景下大小写词语所表示的含义基本相同,不予区分
  2. 切词,根据就是空格,逗号等分隔符,将句子切分成一个个的单词。当然由于本文的语料全体来源于网页,那里面词语的相间都会有着局地网页的性质,比如语料中会由许多奇特的符号,如
    | – _ , &# 等标志,须求展开割除
  3. 免去有些停用词。所谓的停用词寻常指的是意大利语中的冠词,副词等,经过上一步骤切分出来的单词可能会席卷
    an,and,another,any
    等。因而需求将这么些抽象词去除掉当然你也足以行使 nltk
    中自带的停用词(from nltk.corpus import
    stopwords),不过有的时候会依照实际的选取场景,插手相应的停用词,因而自定义停用词词典可能灵活性更高一些。比如在上一步骤中会切分出“&#”等等符号,因而须求将
    &#
    加入到停用词中。关于停止词,我那个中使用了一个比较常用的停用词字典,同时进入了在网页中有些常见停用词。
  4. 领到词干。由于英文的特殊性,一个词会有两种动静,比如
    stop,stops,stopping 的词干都是
    stop,经常状态所表示的含义都是同一的,只需求 stop
    一个即可。可是对于大家的二分类应用场景来说,我一初阶并未做词干的领到因为不足描述网站中的
    hottest 和常见网站中共的 hot
    仍旧有点距离的。当然这一步可以依照现实的拔取场景以及识别结果进行精选。
  5. 解除数字。数字在局地不可描述网站中时平常出现的,然而为了我那边依旧将其排除,比如
    1080
    在不可描述网站和正常的网站中冒出的几率都很高,表示视频的分辨率,当然这一步也是可选的。当然数字也足以到场为止词中,不过出于数字数量较多,同时比较好辨认(isdigit()
    函数鉴别即可),因而对此数字的排除单独拿出来。

选择 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:

澳门金沙国际网址 4

以健康网站和不足描述网站的 deion 为例,对应的词云图如下:

澳门金沙国际网址 5

👆图2

澳门金沙国际网址 6

👆图3

可以观察对于正常的网站来说
free,online,news,games,business,world,latest
是相比较看好的词汇;对于不可描述网站的话,图中突显较大是对应相比紧俏的词汇。

有了一个个单词之后,须要将那几个单词转化为一些模子可以接受的输入方式,也就是词向量。一种普遍的措施就是营造一个
N * M 的矩阵,M 大小是具有文件中词的个数;N
的轻重是享有文件个数,在本文的环境中就是 title,deion 或者 keywords
的(即网站的)个数。

矩阵每一行的值,就是经过上述办法切词之后,词库中每一个词在该 title
上冒出的频率,当然对于尚未在该 title 出现的词(存在于其他 title 中)计为
0 即可。

可以预言,最后形成的是一个疏散矩阵。Sklearn
也提供了一些办法,来拓展文本到数值的更换,例如
CountVectorizer,TfidfVectorizer,HashingVectorizer。由前面的辨析可见,title,deion,keywords
是比较特殊的文本,会油不过生众多根本词的积聚,越发对于不可描述网站,同时相应的意料数据有限,因而本文使用的是
CountVectorizer 来举办简短的词频总计即可,代码如下:

发表评论

电子邮件地址不会被公开。 必填项已用*标注