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
桌面新建名字爲基於word2vec的文檔分類的文件夾，並進入該文件夾，按住shift，鼠標點擊右鍵，然後選擇在此處打開命令窗口，然後在dos下輸入：jupyter notebook
新建一文件：word2vecTest.ipynb
1）數據準備
鏈接：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的文檔分類文件夾內：
![]()
查看數據發現文件分兩列：
?
|
1
2
3
|
import pandas as pd
train_df = pd.read_csv('sohu_train.txt', sep='\t', header=None)
train_df.head()
|
![]()
查看train每個分類的名字以及樣本數量：
?
|
1
2
3
4
5
6
|
for name, group in train_df.groupby(0):
print(name,'\t', len(group))
#或者通過columns來查看
train_df.columns = ['Subject', 'Content']
train_df['Subject'].value_counts().sort_index()
|
![]()
同樣的方法查看test每個分類的名字以及樣本數量：
?
|
1
2
3
|
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函數，我們通過查看name和group加以理解（變量group是一個GroupBy對象，它實際上還沒有進行任何計算）：
?
|
1
2
3
|
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對象內容，包含兩列，第一列爲科技，第二列爲內容（注意：該train數據集包含了12個分類，這裏只是展示了name爲科技的圖片，其他name結構類似）
2）分詞
安裝jieba：pip install jieba
對訓練集的24000條樣本循環遍歷，使用jieba庫的cut方法獲得分詞列表賦值給變量cutWords。
判斷分詞是否爲停頓詞，如果不爲停頓詞，則添加進變量cutWords中，查看一下stopwords.txt文件：
![]()
![]()
從上我們發現：這些停頓詞語都是沒用用的詞語，對我們文本分類沒什麼作用，所以在分詞的時候，將其從分詞列表中剔除
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
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，因爲readlines()是一下子將所有內容讀入內存，如果文件過大，會很耗內存，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：
![]()
然後將分詞結果保存爲本地文件cutWords_list.txt，代碼如下：
?
|
1
2
3
|
with open('cutWords_list.txt', 'w') as file:
for cutWords in cutWords_list:
file.write(' '.join(cutWords) + '\n')
|
爲了節約時間，將cutWords_list.txt保存到本地，鏈接：https://pan.baidu.com/s/1zQiiJGp3helJraT3Sfxv5w 提取碼：g6c7
載入分詞文件：
?
|
1
2
|
with open('cutWords_list.txt') as file:
cutWords_list = [ k.split() for k in file ]
|
查看分詞結果文件：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
調用gensim.models.word2vec庫中的LineSentence方法實例化行模型對象（爲避免warning信息輸出，導入warning 模塊）：
?
|
1
2
3
4
5
6
7
|
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，默認爲100。大的size需要更多的訓練數據，但是效果會更好，推薦值爲幾十到幾百
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, 默認值爲5
調用Word2Vec模型對象的wv.most_similar方法查看與攝影含義最相近的詞
wv.most_similar方法有2個參數，第1個參數是要搜索的詞，第2個關鍵字參數topn數據類型爲正整數，是指需要列出多少個最相關的詞彙，默認爲10，即列出10個最相關的詞彙
wv.most_similar方法返回值的數據類型爲列表，列表中的每個元素的數據類型爲元組，元組有2個元素，第1個元素爲相關詞彙，第2個元素爲相關程度，數據類型爲浮點型
?
|
1
|
word2vec_model.wv.most_similar('攝影')
|
![]()
wv.most_similar方法使用positive和negative這2個關鍵字參數的簡單示例。查看女人+先生-男人的結果，代碼如下：
?
|
1
|
word2vec_model.most_similar(positive=['女人', '先生'], negative=['男人'], topn=1)
|
![]()
查看兩個詞的相關性，如下圖所示：
?
|
1
2
|
word2vec_model.similarity('男人', '女人')
word2vec_model.similarity('攝影', '攝像')
|
![]()
保存Word2Vec模型爲word2vec_model.w2v文件，代碼如下：
?
|
1
|
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爲該文章在模型中的相關性向量）
實例化Word2Vec對象時，關鍵字參數size定義爲100，則相關性矩陣都爲100維
getVector函數獲取每個文章的詞向量，傳入2個參數，第1個參數是每篇文章分詞的結果，第2個參數是word2vec模型對象
每當完成1000篇文章詞向量轉換的時候，打印花費時間
最終將24000篇文章的詞向量賦值給變量X，即X爲特徵矩陣
對比文章轉換爲相關性向量的4種方法花費時間。爲了節省時間，只對比前5000篇文章轉換爲相關性向量的花費時間
4.1 ） 第1種方法，用for循環常規計算
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
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) )
|
![]()
4.3）用numpy的mean方法計算
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
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) )
|
![]()
因爲形成特徵矩陣的花費時間較長，爲了避免以後重複花費時間，把特徵矩陣保存爲文件。使用ndarray對象的dump方法，需要1個參數，數據類型爲字符串，爲保存文件的文件名，加載數據也很方便，代碼如下（保存X之前要用方法四對所有cutWords_list元素進行處理，5000只是用來比較四種方法快慢）：
?
|
1
2
3
|
X.dump('articles_vector.txt')
#加載數據可以用下面的代碼
X = np.load('articles_vector.txt')
|
5）模型訓練、模型評估
1）標籤編碼
調用sklearn.preprocessing庫的LabelEncoder方法對文章分類做標籤編碼
?
|
1
2
3
4
5
6
7
|
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
調用sklearn.linear_model庫的LogisticRegression方法實例化模型對象
調用sklearn.model_selection庫的train_test_split方法劃分訓練集和測試集
?
|
1
2
3
4
5
6
7
|
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
調用sklearn.externals庫中的joblib方法保存模型爲logistic.model文件
模型持久化官方文檔示例：http://sklearn.apachecn.org/cn/0.19.0/modules/model_persistence.html
?
|
1
2
3
4
5
|
from sklearn.externals import joblib
joblib.dump(logistic_model, 'logistic.model')
#加載模型
logistic_model = joblib.load('logistic.model')
|
4）交叉驗證
調用sklearn.model_selection庫的ShuffleSplit方法實例化交叉驗證對象
調用sklearn.model_selection庫的cross_val_score方法獲得交叉驗證每一次的得分
?
|
1
2
3
4
5
6
7
8
|
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
調用sklearn.externals庫的joblib對象的load方法加載模型賦值給變量logistic_model
調用DataFrame對象的groupby方法對每個分類分組，從而每種文章類別的分類準確性
調用自定義的getVector方法將文章轉換爲相關性向量
自定義getVectorMatrix方法獲得測試集的特徵矩陣
調用StandardScaler對象的transform方法將預測標籤做標籤編碼，從而獲得預測目標值
?
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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))
|
![]()
我們來看看各個分類的精確率和召回率：
?
|
1
2
3
4
5
6
7
|
from sklearn.metrics import classification_report
test_df = pd.read_csv('sohu_test.txt', sep='\t', header=None)
test_df.columns = ['分類', '文章']
test_label = labelEncoder.transform(test_df['分類'])
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）結論
word2vec模型應用的第1個小型項目，訓練集數據共有24000條，測試集數據共有12000條。
經過交叉驗證，模型平均得分爲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檔分類的準確率，請查看我的另外一篇文章《基於jieba,TfidfVectorizer,LogisticRegression進行搜狐新聞文本分類》
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！
9）流程圖
![]()
10）感興趣的可以查看利用TfIdf進行向量化後的新聞文本分類，效果有一定的提升
