Mahout朴素贝叶斯文本分类

Mahout朴素贝叶斯文本分类算法

Mahout贝叶斯分类器按照官方的说法，是按照《Tackling the PoorAssumptions of Naive Bayes Text Classiers》实现的。分为三个模块：训练、测试和分类。该文档首先简要介绍朴素贝叶斯的基本原理，然后介绍MapReduce实现的思路。

一、MapReduce 朴素贝叶斯算法实现

（一）预处理

在训练和分类之前都需要将小文档合并，以及分词处理。大量的小文档会让NameNode占用太多的内存空间存储元数据，另一方面在执行MapReduce时会占用太多的Map槽。

（二）训练

将训练数据组织成下图的结构。子文件夹的名字为类型名，子文件夹下为该类的文档。子文件夹下不能有文件夹。

训练数据目录结构

该过程将训练数据生成model，生成三个目录：trainer-tfidf、trainer-weights和trainer-thetaNormalizer 。有四个Job完成该过程。抽取正则化的特征，计算TFIDF，计算权重和计算正则化因子。

(1)特征抽取

输入数据格式：

clazzlable

文档内容

Map:

对每一篇文档分词后计算该片文档中的词频（wordcount）、、。

输出：

(1)归一化的词频

key：<_WT，lable，token>

value ：

(2)词的文档频率

Key:  <_DF，lable，token>

Value: 1

(3)特征数量

Key:<_FC,lable,token>

Value:1

(4)TF

Key:<"_FF”，lable，token>

Value:wordcount

(5)类型数

Key:<_LC，lable>

Value:1

Combiner:

在Map计算完之后value值求和。

Reduce:

在reduce计算主要做特征选择。过滤掉小于最小词频数和最小文档数的词。

最终输出：

trainer-wordFreq，存储归一化的词频。

       trainer-termDocCount，存储文档词的文档频率。

trainer-featureCount，存储特征数量。

trainer-docCount，存储类型数量，每个类型的文档数。

(2)计算TFIDF

输入：

trainer-termDocCount，trainer-wordFreq和trainer-featureCount文件。

将trainer-docCount添加到configuration中。

Map:

Configure（JobConf job）{

从configuration中加载trainer-docCount数据。

}

map(StringTupleDoubleWritable,StringTuple,DoubleWritable){

1.对于TF ，直接输出。

2.对于DF=Log(该词对应的类型的总文档数/df)。输出：Key <_WT，lable， token>   value:DF

3.对于特征总数，特征词的数量

输出：key <_FS> ,  value 1

}

Reduce:

1.对于特征集数量，求和，输出 key: <_FS>  value: 特征数

2.对于TF和IDF。由于对同一个类型中的同一个词，hadoop会将其值合并在一起，这样reduce传入的同一key的迭代器中只有两个值，一个是TF值，一个是IDF值。计算tfidf =TF*IDF .

输出：key <_WT，lable，token>  value :tfidf

最终输出：

trainer-tfidf 文档，key <_WT，lable，token>  value :tfidf

(3)计算权重和

该过程为特征和类表计算权重。

输入：

trainer-tfidf文件。格式为key <_WT，label ，token> ，value <tfidf>

Map：

1.特征和，计算全局词特征权重和

从key中拿到token 输出其tfidf值。

输出：key <_SJ，token>   value <tfidf>

2.类型label和，计算全局类型权重和

从key中拿到label，输出其tfidf。

输出： key<_SK,label>  value <tfidf>

3.特征及label和，计算所有特征所有类型的和

从key中拿到tfidf，输出。

输出： key <_SJSK>  value <tfidf>

Reduce：

对map的结果求和，输出。输出格式和map的一样。

(4)计算正则化因子

输入：

trainer-tfidf文件。格式为key <_WT，label ，token> ，value <tfidf>

将trainer-vocabcount 中的数据写入configuration。

Map:

setup(){

从configuration中读取trainer-vocabcount数据。

}

Map{

对输入的每一个词

W=Log(tfidf/(该词的类型的特征和+总特征数))

输出：key <_LTN，label> , value<W>

}

Reduce:

对Map结果求和。

输出：key<_LTN,label>  value <SUM(W)>

输出：

trainer-thetaNormalizer文件.格式Key  <_LTN,label>   value <W>

（三）分类

训练好模型之后，最终会生成如下图的文档结构：

首先将模型信息存储到内存中，InMemoryBayesDatastore 负责。

分类时传入分好词的词数组document，InMemoryBayesDatastore 的实例，没有分出来时默认的类型名（默认为unknow）。

public ClassifierResult classifyDocument(String[] document,

Datastore datastore,

String defaultCategory){

maxWeight =Double.MAX_VALUE;

ClassifierResult  clazz =new ClassifierResult ();

For(int i  = 0 ;i <类型总数；i++){

Label =datastore.get(i);

Frequency=document中计算词频

TFIDF: 该词在当前类型中的TFIDF

Sigma_ k 该类型的tfidf和VocabCount 总特征词个数

Weight= frequency*log[(TFIDF +1.0) /(Sigma_ k +VocabCount)]

If(Weight<maxWeight){

maxWeight=Weight;

clazz.setLable(Label);

}

}

clazz.setScore(maxWeight);

return  clazz；

}

在map中做分类，输出分类结果。

输入：输入文件格式：文档路径\t分词后的文档内容

Map:

setUp（）{

加载模型。

}

Map(Text key,Text value){//key为文档路径  ，value为分词后的文档内容

（1）对分词后的文档内容计算N-Gram

（2）计算词频

（3）类型=classifyDocument（String[] document,

Datastore datastore,

String defaultCategory)

输出分类结果 key: 文档路径，value：类型

}

（四）测试

测试本身就是分类后统计分类的正确率。

测试数据的格式为：文档类型 \t 分词后的文档内容

 Map：key 正确的标签，value 分词后的文档内容

分类后的类型标签=classifyDocument（）;

输出：key <_CT，正确的标签，分类后的标签>  value  1

Reduce：对map的value求和。

二、API

第一部分叙述了Mahout 朴素贝叶斯分类算法的实现原理。下面叙述API的使用。在说API之前先说说文本预处理，一般来说需要训练或分类的文本都不太可能是TXT格式的，pdf、word ，html网页等等。首先要做的就是从各种格式的文件中抽取出文本。然后要将文本分词。

（一）训练

对于训练数据，需要组织成如图的目录结构。

art248 ,computer200等都是类型信息,每一类中有若干文本。各类中文本的数量保持基本一致。

每一类中都是大量的小文件，而如果需要用MapReduce做训练，需要合并小文件，组成一个或多个大文件。组合后的文件格式为：

类型名

\t

分词后的一个小文件内容

参数说明

TrainClassfier.main(args [])
--gramSize (-ng)	Ngram 个数，默认为1。5以上运算量大，存储空间多，精度提高小，建议不要使用。
--input (-i)	训练数据路径。（注意:是HDFS路径）
--output (-o)	模型输出路径。（注意：是HDFS路径）
--classifierType (-type)	分类器类型。bayes ,默认。
--dataSource (-source)	模型存储位置，默认是hdfs。实际上Mahout并没有实现其它的存储方式。
--alpha (-a)	平滑因子，默认为1。
--minDf (-mf)	最小df值，默认为1。
--minSupport (-ms)	最小tf值，默认为1。

训练后生成的文件：

（二）分类

文类数据和训练数据一样，需要抽取和分词。处理后的待分类数据存放在HDFS的一个目录下。

同样待分类数据再分之前也需要合并，原理同上。

合并后的文件格式（SequenceFile）为：

文件路径

\t

分词后的一个小文件内容

参数说明：

ClassifyClassifier.main(args  []);
--defaultCat (-default)	默认的类型，unknown。这种情况出现在模型数据为空。若分类数据出现unknown，需要检查模型。
--testDir (-d)	分类数据存放路径
--encoding (-e)	编码格式 （UTF-8）
--gramSize (-ng)	Ngram大小，默认为1。建议和训练的ngram值一样。
--model (-m)	模型路径
--classifierType (-type)	默认bayes.
--dataSource (-source)	默认hdfs
--method (-method)	默认MapReduce
--verbose (-v)	是否显示文档分类正确或者错误。注意：该参数在分类时作用不大，分类数据不知道原始的类型信息。
--alpha (-a)	平滑因子，默认为1。
--outputDir (-o)	分类后输出路径。

结果文件是SequenceFile，格式如下：

文件路径（Text）

类型（Text）

（三）测试

测试数据和训练数据的组织一样，合并后的文件格式如下：

真实类型

\t

分词后的文档内容

参数说明

TestClassifier.main(args);
--defaultCat (-default)	默认的类型，unknown。这种情况出现在模型数据为空。若分类数据出现unknown，需要检查模型。
--testDir (-d)	分类数据存放路径
--encoding (-e)	编码格式 （UTF-8）
--gramSize (-ng)	Ngram大小，默认为1。建议和训练的ngram值一样。
--model (-m)	模型路径
--classifierType (-type)	默认bayes.
--dataSource (-source)	默认hdfs
--method (-method)	默认MapReduce
--alpha (-a)	平滑因子
--verbose (-v)	是否显示分类正确或者错误。

测试结果，模糊矩阵

三、参考文档

1.《Tackling the Poor Assumptions of Naive Bayes Text Classiers》