利用jieba,word2vec,LR进行搜狐新闻文本分类

一、简介

　1）jieba

　　中文叫做结巴，是一款中文分词工具，https://github.com/fxsjy/jieba

　2）word2vec

　　单词向量化工具，https://radimrehurek.com/gensim/models/word2vec.html

　3）LR

　　LogisticRegression中文叫做逻辑回归模型，是一种基础、常用的分类方法

二、步骤

　0）建立jupyter notebook

　　桌面新建名字为基于word2vec的文档分类的文件夹，并进入该文件夹，按住shift，鼠标点击右键，然后选择在此处打开命令窗口，然后在dos下输入：jupyter notebook

　　新建一文件：word2vecTest.ipynb

　1）数据准备

　　链接：https://pan.baidu.com/s/1mR87V40bUtWgUBIoqn4lOw 密码：lqe4

　　训练集共有24000条样本，12个分类，每个分类2000条样本。

　　测试集共有12000条样本，12个分类，每个分类1000条样本。

　　下载并解压到基于word2vec的文档分类文件夹内：

　　查看数据发现文件分两列：

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

　　查看train每个分类的名字以及样本数量：

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

#或者通过columns来查看
train_df.columns = ['Subject', 'Content']
train_df['Subject'].value_counts().sort_index()

　　同样的方法查看test每个分类的名字以及样本数量：

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))

　　

　　关于groupby函数，我们通过查看name和group加以理解（变量group是一个GroupBy对象，它实际上还没有进行任何计算）：

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

　　

　　其中科技即打印出来的name，后面的内容即group对象内容，包含两列，第一列为科技，第二列为内容（注意：该train数据集包含了12个分类，这里只是展示了name为科技的图片，其他name结构类似）

　2）分词

　　安装jieba：pip install jieba

　　对训练集的24000条样本循环遍历，使用jieba库的cut方法获得分词列表赋值给变量cutWords。

　　判断分词是否为停顿词，如果不为停顿词，则添加进变量cutWords中，查看一下stopwords.txt文件：

　　从上我们发现：这些停顿词语都是没用用的词语，对我们文本分类没什么作用，所以在分词的时候，将其从分词列表中剔除

import jieba, time
train_df.columns = ['分类', '文章']
#stopword_list = [k.strip() for k in open('stopwords.txt', encoding='utf-8').readlines() if k.strip() != '']
#上面的语句不建议这么写，因为readlines()是一下子将所有内容读入内存，如果文件过大，会很耗内存，建议这么写
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篇文章分词共花费%.2f秒' % (i, time.time() - startTime))
    cutWords_list.append(cutWords)

　　本人电脑配置低（在linux下速度很快，本人用ubuntu，前5000篇文章分词共花费373.56秒，快了近三分之二），用时：

　　然后将分词结果保存为本地文件cutWords_list.txt，代码如下：

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

　　为了节约时间，将cutWords_list.txt保存到本地，链接：https://pan.baidu.com/s/1zQiiJGp3helJraT3Sfxv5w 提取码：g6c7

　　载入分词文件：

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

　　查看分词结果文件：cutWords_list.txt，可以看出中文分词工具jieba分词效果还不错：

　3）word2vec模型

　　安装命令：pip install gensim

　　调用gensim.models.word2vec库中的LineSentence方法实例化行模型对象（为避免warning信息输出，导入warning 模块）：

import warnings

warnings.filterwarnings('ignore')

from gensim.models import Word2Vec

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

　　sentences：可以是一个list，对于大语料集，建议使用BrownCorpus，Text8Corpus或lineSentence构建

　　size：是指特征向量的维度，默认为100。大的size需要更多的训练数据，但是效果会更好，推荐值为几十到几百

　　min_count：可以对字典做截断，词频少于min_count次数的单词会被丢弃掉, 默认值为5

　　调用Word2Vec模型对象的wv.most_similar方法查看与摄影含义最相近的词

　　wv.most_similar方法有2个参数，第1个参数是要搜索的词，第2个关键字参数topn数据类型为正整数，是指需要列出多少个最相关的词汇，默认为10，即列出10个最相关的词汇

　　wv.most_similar方法返回值的数据类型为列表，列表中的每个元素的数据类型为元组，元组有2个元素，第1个元素为相关词汇，第2个元素为相关程度，数据类型为浮点型

word2vec_model.wv.most_similar('摄影')

　　

　　wv.most_similar方法使用positive和negative这2个关键字参数的简单示例。查看女人+先生-男人的结果，代码如下：

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

　　查看两个词的相关性，如下图所示：

word2vec_model.similarity('男人', '女人')
word2vec_model.similarity('摄影', '摄像')

　　

　　保存Word2Vec模型为word2vec_model.w2v文件，代码如下：

word2vec_model.save( 'word2vec_model.w2v' )

　4）特征工程

　　对于每一篇文章，获取文章的每一个分词在word2vec模型的相关性向量。然后把一篇文章的所有分词在word2vec模型中的相关性向量求和取平均数，即此篇文章在word2vec模型中的相关性向量（用一篇文章分词向量的平均数作为该文章在模型中的相关性向量）

　　实例化Word2Vec对象时，关键字参数size定义为100，则相关性矩阵都为100维

　　getVector函数获取每个文章的词向量，传入2个参数，第1个参数是每篇文章分词的结果，第2个参数是word2vec模型对象

　　每当完成1000篇文章词向量转换的时候，打印花费时间

　　最终将24000篇文章的词向量赋值给变量X，即X为特征矩阵

　　对比文章转换为相关性向量的4种方法花费时间。为了节省时间，只对比前5000篇文章转换为相关性向量的花费时间

　　4.1 ） 第1种方法，用for循环常规计算

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篇文章形成词向量花费%.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种方法，用pandas的mean方法计算

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篇文章形成词向量花费%.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) )

　　4.3）用numpy的mean方法计算

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篇文章形成词向量花费%.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种方法，用numpy的add、divide方法计算

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篇文章形成词向量花费%.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) )

　　

　　因为形成特征矩阵的花费时间较长，为了避免以后重复花费时间，把特征矩阵保存为文件。使用ndarray对象的dump方法，需要1个参数，数据类型为字符串，为保存文件的文件名，加载数据也很方便，代码如下（保存X之前要用方法四对所有cutWords_list元素进行处理，5000只是用来比较四种方法快慢）：

X.dump('articles_vector.txt')
#加载数据可以用下面的代码
X = np.load('articles_vector.txt')

　5）模型训练、模型评估

　　1）标签编码

　　　　调用sklearn.preprocessing库的LabelEncoder方法对文章分类做标签编码

import pandas as pd

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

　　

　　2）LR模型

　　　　调用sklearn.linear_model库的LogisticRegression方法实例化模型对象

　　　　调用sklearn.model_selection库的train_test_split方法划分训练集和测试集

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）保存模型

　　　　调用sklearn.externals库中的joblib方法保存模型为logistic.model文件

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

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

#加载模型
logistic_model = joblib.load('logistic.model')

　　4）交叉验证

　　　调用sklearn.model_selection库的ShuffleSplit方法实例化交叉验证对象

　　　调用sklearn.model_selection库的cross_val_score方法获得交叉验证每一次的得分

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）模型测试

　　调用sklearn.externals库的joblib对象的load方法加载模型赋值给变量logistic_model

　　调用DataFrame对象的groupby方法对每个分类分组，从而每种文章类别的分类准确性

　　调用自定义的getVector方法将文章转换为相关性向量

　　自定义getVectorMatrix方法获得测试集的特征矩阵

　　调用StandardScaler对象的transform方法将预测标签做标签编码，从而获得预测目标值

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

　　我们来看看各个分类的精确率和召回率：

from sklearn.metrics import classification_report
test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
test_df.columns = ['分类', '文章']
test_label = labelEncoder.transform(test_df['分类'])
y_pred = logistic_model.predict( getVectorMatrix(test_df['文章']) )
print(labelEncoder.inverse_transform([[x] for x in range(12)]))
print(classification_report(test_label, y_pred))

　　

　7）结论

　　word2vec模型应用的第1个小型项目，训练集数据共有24000条，测试集数据共有12000条。

　　经过交叉验证，模型平均得分为0.78左右。

　　测试集的验证效果中，体育、教育、健康、旅游、汽车、科技、房地产这7个分类得分较高，即容易被正确分类。

　　女人、娱乐、新闻、文化、财经这5个分类得分较低，即难以被正确分类。

　　想要学习如何提高文档分类的准确率，请查看我的另外一篇文章《基于jieba,TfidfVectorizer,LogisticRegression进行搜狐新闻文本分类》

　8）致谢

　　本文参考简书：https://www.jianshu.com/p/96b983784dae

　　感谢作者的详细过程，再次感谢！

　9）流程图

　10）感兴趣的可以查看利用TfIdf进行向量化后的新闻文本分类，效果有一定的提升