文本自动分类

使用机器学习方法 做文档的自动分类

套路：

1.根据每个文件 生成该文件的一个特征

2.根据特征 选择 分类器 进行文本分类

3.(可选)根据 2 步结果，调整参数/特征等

示例：

数据：搜狗文本分类语料库 精简版

分类器：朴素贝叶斯

编程语言：Python+nltk自然语言处理库+jieba分词库

__author__ = 'LiFeiteng'# -*- coding: utf-8 -*-import osimport  jiebaimport nltk## 由搜狗语料库 生成数据folder_path = 'C:\LIFEITENG\SogouC.reduced\\Reduced'#folder_path = 'C:\LIFEITENG\SogouC.mini\Sample'folder_list = os.listdir(folder_path)class_list = [] ##由于乱码等问题 仅以数字[0,1,...]来代表文件分类nClass = 0N = 100 #每类文件 最多取 100 个样本 70%train 30%testtrain_set = []test_set = []all_words = {}import timeprocess_times = [] ## 统计处理每个文件的时间for i in range(len(folder_list)):new_folder_path = folder_path + '\\' + folder_list[i]files = os.listdir(new_folder_path)class_list.append(nClass)nClass += 1j = 0nFile = min([len(files), N])for file in files:if j > N:breakstarttime = time.clock()fobj = open(new_folder_path+'\\'+file, 'r')raw = fobj.read()word_cut = jieba.cut(raw, cut_all=False)word_list = list(word_cut)for word in word_list:if word in all_words.keys():all_words[word] += 1else:all_words[word] = 0if j > 0.3 * nFile:train_set.append((word_list, class_list[i]))else:test_set.append((word_list, class_list[i]))j += 1endtime = time.clock()process_times.append(endtime-starttime)print "Folder ",i,"-file-",j, "all_words length = ", len(all_words.keys()),\"process time:",(endtime-starttime)print len(all_words)## 根据word的词频排序all_words_list = sorted(all_words.items(), key=lambda e:e[1], reverse=True)word_features = []## 由于乱码的问题，没有正确使用 stopwords；简单去掉 前100个高频项## word_features 是选用的 word-词典for t in range(100, 1100, 1):word_features.append(all_words_list[t][0])def document_features(document):document_words = set(document)features = {}for word in word_features: ## 根据词典生成 每个document的feature True or Falsefeatures['contains(%s)' % word] = (word in document_words)return features## 根据每个document 分词生成的 word_list 生成 featuretrain_data = [(document_features(d), c) for (d,c) in train_set]test_data = [(document_features(d), c) for (d,c) in test_set]print "train number:",len(train_data),"\n test number:",len(test_data)## 朴素贝叶斯分类器classifier = nltk.NaiveBayesClassifier.train(train_data)print "test accuracy:",nltk.classify.accuracy(classifier, test_data)## 处理每个文件所用的时间 可见到后面 处理单个文件的时间显著增长## 原因 已查明import pylabpylab.plot(range(len(process_times)), process_times, 'b.')pylab.show()

test上的正确率： 9个类别 74%

处理每个文件所用时间：

===============================

朴素贝叶斯：From 《数据挖掘概念与技术》

1.中文乱码问题，由于这个问题，在stopwords上简单去掉 前100个高频项 数据清洗不足

2.字典的选择上——简单以统计 所有文件词频，选用101-1100 1000个词作字典

   我觉得 字典完全可以从 数据上 学习(要比上面方法高明些)，就像在图像处理中 稀疏模型 学习字典(KSVD)一样

   自然语言处理/文本处理 中也应该存在这样的方法

3.文件的特征 是[0,0,1,0,0,1,...]并不是统计每个文件的词频，

   这跟选择的分类器相关，如果选择svm等 就要对文件 生成词频特征

4.到后面(见上图)，单个文件处理时间显著增长，原因待查明——已查明 if word in all_words.keys(): 改为all_words.has_key(word)

以 机器学习 的小无相功 打了一套 自然语言处理/文本挖掘 的招数

难免有些生硬  望专家指点