`

基于libsvm的中文文本分类原型

    博客分类:
  • DM
  • ML
 
阅读更多

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本非线性高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力(或称泛化能力)。SVM理论的学习,请参考jasper的博客

LIBSVM 是台湾大学林智仁(Chih-Jen Lin)博士等开发设计的一个操作简单、易于使用、快速有效的通用 SVM 软件包,可以解决分类问题(包括 C−SVC 、ν−SVC ), 回归问题(包括 ε − SVR 、v− SVR ) 以及分布估计(one − class − SVM ) 等问题,提供了线性、多项式、径向基和 S 形函数四种常用的核函数供选择,可以有效地解决多类问题、交叉验证选择参数、对不平衡样本加权、多类问题的概率估计等。LIBSVM是一个开源的软件包,。他不仅提供了 LIBSVM 的 C++语言的算法源代码,还提供了 Python、Java、R、MATLAB、Perl、Ruby、LabVIEW以及 C#.net 等各种语言的接口,可以方便的在 Windows 或 UNIX 平台下使用,也便于科研工作者根据自己的需要进行改进(譬如设计使用符合自己特定问题需要的核函数等)。

文本分类,大致分为如下几件事情:样本分词特征提取向量计算分类训练测试和调试

 

1.样本选择

搜狗语料http://www.sogou.com/labs/dl/c.html,下精简版吧,如果实验用用,这足够了,你要下107M的也可以。当然,你也可以自己找语料,不过麻烦点而已,把各大门户网站的对应频道下的文章都爬下来。

 

2.分词

Bamboo分词,这是基于CRF++的分词模块,既然是研究统计学习,分词也得用基于统计的不是,如果还是用一字典来分词,那就太out啦。

http://code.google.com/p/nlpbamboo/wiki/GettingStarted。安装完毕bamboo,还要下载训练好的模型(这个模型是基于人民日报1月语料)

http://code.google.com/p/nlpbamboo/downloads/list,下载index.tar.bz2, 解压到/opt/bamboo/index下。

因为咱主要目的是研究分类,不是分词,就不要去搞分词的训练了,如果想训练可以看我的另外一篇博客:CRF++中文分词指南

 

nlpbamboo安装的几个要点

 
1、CRF++使用默认目录安装

2、编译完nlpbamboo后执行下/opt/bamboo/bin/bamboo看看bamboo是否安装成功

如果提示ERROR: libcrfpp.so.0: cannot open shared object file: No such file or directory需要执行以下操作

ln -s /usr/local/lib/libcrfpp.so.* /usr/lib/
ldconfig

3、安装PHP扩展后下载index.tar.bz2这个模型,然后在php.ini中添加

bamboo.parsers = crf_seg

因为官方的 index.tar.bz2 中只包含 crf_seg 的 model,所以不加 crf_pos 那些;否则php将无法

 

 

可以试试:/opt/bamboo/bin/bamboo -p crf_seg filename,如果成功证明装好了。

稍微注意以下,搜狗的词库是gb2312的,所以,请转为utf8,再分词,这是python写的函数:输入一个文件名,转为utf8,再分词,分词文件以.seg为后缀。

[python]view plaincopy
 
  1. defseg(fn):
  2. ifnotos.path.isfile(fn+'.utf8'):
  3. cmd='iconv-fgb2312-tutf8-c%s>%s.utf8'%(fn,fn)
  4. printcmd
  5. os.system(cmd)
  6. cmd='/opt/bamboo/bin/bamboo-pcrf_seg%s.utf8>%s.seg'%(fn,fn)
  7. printcmd
  8. os.system(cmd)

 

分词结果如下:

一 家 刚刚 成立 两 年 的 网络 支付 公司 , 它 的 目标 是 成为 市值 100亿 美元 的 上市 公司 。
这家 公司 叫做 快 钱 , 说 这 句 话 的 是 快钱 的 CEO 关 国光 。 他 之前 曾 任 网易 的 高级 副 总裁 , 负责 过 网易 的 上市 工作 。 对于 为什么 选择 第三 方 支付 作为 创业 方向 , 他 曾经 对 媒体 这样 说 : “ 我 能 看到 这个 胡同 对面 是 什么 , 别人 只能 看到 这个 胡同 。 ” 自信 与 狂妄 只 有 一 步 之 遥 ―― 这 几乎 是 所有 创业者 的 共同 特征 , 是 自信 还是 狂妄 也许 需要 留待 时间 来 考证 。

 

3.特征提取

svm不是在高维模式识别具有优势吗,咋还要特征提取呢,把所有词都当成特征不就行了吗?对于词库来说,十几万的词是很常见的,把对类别区分度(GDP,CPI,股票对经济类的区分度就高,其他一些高频词,如我们,大家,一起等就没有区分度)高的词挑选出来,一来可以减少计算量,二来应该是可以提高分类效果。

据说,开方检验(CHI)信息增益(IG)对于挑选特征好,我选择的是CHI。两者的概念,请google。

首先统计词在文档中的次数

 

[python]view plaincopy
 
  1. #ingoresometerm
  2. defingore(s):
  3. returns=='nbsp'ors==''ors==''ors=='/t'ors=='/n'/
  4. ors==','ors=='。'ors=='!'ors=='、'ors=='―'/
  5. ors=='?'ors=='@'ors==':'/
  6. ors=='#'ors=='%'ors=='&'/
  7. ors=='('ors==')'ors=='《'ors=='》'/
  8. ors=='['ors==']'ors=='{'ors=='}'/
  9. ors=='*'ors==','ors=='.'ors=='&'/
  10. ors=='!'ors=='?'ors==':'ors==';'/
  11. ors=='-'ors=='&'/
  12. ors=='<'ors=='>'ors=='('ors==')'/
  13. ors=='['ors==']'ors=='{'ors=='}'
  14. #termtimes
  15. defgetterm(fn):
  16. fnobj=open(fn,'r')
  17. data=fnobj.read()
  18. fnobj.close()
  19. arr=data.split('')
  20. docterm=dict()
  21. forainarr:
  22. a=a.strip('/n/t')
  23. ifnotingore(a)andlen(a.decode('utf-8'))>=2:
  24. times=docterm.get(a)
  25. iftimes:
  26. docterm[a]=times+1
  27. else:
  28. docterm[a]=1
  29. returndocte
  30. #cls_term:cls,term,artcount
  31. #term_cls:term,cls,artcount
  32. defstat(cls,fn,cls_term,term_cls):
  33. docterm=getterm(fn)
  34. termdi=cls_term.get(cls)
  35. ifnottermdi:
  36. termdi=dict()
  37. cls_term[cls]=termdi
  38. #term,times
  39. fortindocterm.iterkeys():
  40. artcount=termdi.get(t)
  41. ifnotartcount:
  42. artcount=0
  43. termdi[k]=artcount+1
  44. clsdi=term_cls.get(t)
  45. ifnotclsdi:
  46. clsdi={}
  47. term_cls[k]=clsdi
  48. artcount=clsdi.get(cls)
  49. ifnotartcount:
  50. artcount=0
  51. clsdi[cls]=artcount+1

 

 

分别计算每个词的a/b/c/d

a:在这个分类下包含这个词的文档数量

b:不在该分类下包含这个词的文档数量

c:在这个分类下不包含这个词的文档数量

d:不在该分类下,且不包含这个词的文档数量

因为前面统计了每个类下,每个词,文章数和每个词,每个类,文章数。所以很容易得到a,b,c,d的值。

z1 = a*d - b*c
x2 = (z1 * z1 * float(N)) /( (a+c)*(a+b)*(b+d)*(c+d) )

开方检验计算公式

 

计算之后,排序,并取出前1000个词(这里指的每个类别的特征词)。

li = sorted(termchi.iteritems(), key=lambda d:d[1], reverse = True)

循环每个分类,并把每个类别的特征合并(合并成一个文件,作为特征词典),合并后存为feature文件,第一列是序号,第二列是对应的词,序号就是特征号。

1 逐项
2 深市
3 九寨沟
4 岛内
5 期望
6 第20分钟
7 合理
8 谢杏芳
9 赛迪
10

 

注:特征选择的目的就是选择在该类下,不在其他类下的特征,但是重复是避免不了的,合并的文件肯定是排重过的。先选择每个类下的1000个词,假如10个类,则共选择10 * 1000个词,然后去重,并生成特征的唯一id。

 

4.训练和测试样本组织

搜狐语料的1990篇中的1890作为训练集,100篇作为测试集,分别形成train和test文件,libsvm的训练集的格式为:

lable1 index1:featureValue1 index2:featureValue2 index3:featureValue3 ...

lable2 index1:featureValue1 index2:featureValue2 index3:featureValue3 ...

对应到文本分类上就是:类别ID 特征序号(第3步计算的特征序号):特征值(TFIDF值)......

如,我摘了一行,这是一篇文章的例子,8就是类别ID,189是特征“189 指导"的序号,0.171153是特征值:

8 189:0.171153 253:0.081381 298:0.630345 504:0.135512 562:79.423503 578:0.072219 698:0.078896 710:0.036074 740:0.215368 868:0.263524 1336:0.114355 1365:0.076494 1372:0.085780 1555:0.572497 1563:3.932806 1598:0.114717 1685:0.129870 1972:0.193693 2282:0.061828 2865:0.026699 2897:0.099020 3040:0.039621 3041:0.258073 3191:0.091276 3377:0.125544 3454:0.062189 3623:0.139698 3653:0.128304 3932:2.990233 4353:0.202133 4394:0.312992 4420:0.356354 4424:0.482424 4522:0.447795 4675:3.618182 4767:0.065334 4848:0.270417 4875:0.213588 4941:0.407453 5004:0.070447 5125:0.717893 5214:3.222299 5250:0.052897 5251:0.281352 5310:2.010101 5357:0.203956 5474:0.034037 5504:0.193900 5861:0.859426 6120:1.320504 6129:0.107941 6364:0.184225 6373:0.287843 6379:0.080727 6385:0.712241 6847:0.209023 7007:0.147802 7121:1.320504 7547:0.248161 7636:0.108981

采用TFIDF的算法,数据处理和特征选择类似,计算每个类,每篇文档,每个词的次数,以包含这个词的文档数。每篇文章的每个特征项,用TF/DF的值作为特征值。(后记:用TF * IDF,然后用svm-scale缩放到0,1之间,效果比TF/DF要好,准确率能达到82%。,计算方式如下:

tf = float(times) / total
idf = math.log( N / float(term_count[term]) )
term_times[term] = tf * idf

 

 

[python]view plaincopy
 
  1. #doc_term:classdoctermtimes
  2. #term_doc:termdoccount
  3. deftfidf(doc_term,term_doc):
  4. print'begincomputetf*idf'
  5. forcls,docdiindoc_term.iteritems():
  6. fordoc,termdiindocdi.iteritems():
  7. total=0
  8. forterm,timesintermdi.iteritems():
  9. total+=times
  10. forterm,timesintermdi.iteritems():
  11. tf=float(times)/total
  12. df=float(term_doc[term])/N
  13. termdi[term]=tf/df

 

 

注意:用CHI是提取类别的特征词,而这里用TFIDF是计算文档的特征向量,前者是要体现类别的区分度,后者要体现文档的区分度,两者概念和所做的事情不一样,所以采用的方法也不一样。

 

5.用libsvm训练

你看,忙活了半天,还没有到libsvm呢,其实前面几步很麻烦的,libsvm的资料不少,但是都是一个几行数据的简单例子,这不具有实际应用的价值,只有把样本,分词,特征提取/特征计算搞定了,分类才能做好。

下载libsvm:http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/libsvm.cgi?+http://www.csie.ntu.edu.tw/~cjlin/libsvm+zip

解压,make

svm-scale:特征缩放的工具 svm-train:训练工具 svm-predict:测试工具

toos/grid.py:寻找参数的工具

用默认参数试试:

./svm-train train.s model.s

./svm-predict test.s model.s result.s

结果

Accuracy = 74.3889% (1339/1800) (classification)

不算太理想,也不算太差。如果只是2个类,结果能到95%。我想可以从如下几个方面改进:

  • 增加分词的样本数,训练更好的分词模型。
  • 特征提取后,用人工进行调整,因为很多词对于类别区分度不高。
  • 用grid.py寻找合适的参数。

 

参考资料:

jasper的博客,SVM理论的学习资料:http://www.blogjava.net/zhenandaci/category/31868.html

通俗易懂,要好好读读。

 

libsvm的官方网站:http://www.csie.ntu.edu.tw/~cjlin/libsvm/

看了理论性的东西,最好实践以下,libsvm就是很好的实践工具。

 

Vapnik的两本书,我买了第二本,发现公式太多,好晦涩。准备买第一本,据说第一本比较浅显易懂一些

《统计学习理论的本质》

http://product.dangdang.com/product.aspx?product_id=20602023&ref=search-0-A

《统计学习理论》

http://product.dangdang.com/product.aspx?product_id=20529098&ref=search-0-A

分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics