机器学习·NLP中的文本分类

前言

本文介绍自然语言处理（英语：Natural Language Processing，缩写作 NLP）中的文本分类应用，包括中英文分词方法、文本特征提取和假新闻分类任务。

---

一、中文分词方法

方法	原理	优缺点
正向最大匹配（MM）	从左向右取最长词匹配词典，匹配失败则减1字继续匹配	简单快速，但无法处理未登录词，依赖词典质量
逆向最大匹配（RMM）	从右向左取最长词匹配词典	对偏正结构处理更好，但同样依赖词典
双向最大匹配（BMM）	结合正向和逆向结果，选择切分次数少的作为最终结果	提高准确性，但计算复杂度较高
统计分词	基于语料库统计词共现概率，利用隐马尔可夫模型（HMM）或条件随机场（CRF）	能处理未登录词，但需要大量标注数据，计算复杂度高

---

二、结巴分词工具

• 分词模式：

  • 精确模式 ：jieba.cut(text)，适合文本分析。

  • 全模式 ：jieba.cut(text, cut_all=True)，输出所有可能成词的组合。

  • 搜索引擎模式 ：jieba.cut_for_search(text)，对长词再次切分，提高召回率。

• 自定义词典：

  jieba.add_word("机器学习")  # 添加新词
  jieba.load_userdict("user_dict.txt")  # 加载自定义词典
  

---

三、英文文本分词

• 特点：天然以空格分隔，无需复杂分词算法。

• 处理标点：

  import string
  text = "Hello, world! This is an example."
  words = text.translate(str.maketrans('', '', string.punctuation)).split()
  # 输出：['Hello', 'world', 'This', 'is', 'an', 'example']
  

---

四、文本特征提取方法

方法	原理	应用场景	工具
词袋模型（BoW）	统计词频生成向量，忽略词序和语法	简单文本分类，基线模型	sklearn.feature_extraction.CountVectorizer
TF-IDF	词频（TF）×逆文档频率（IDF），突出重要词	信息检索，文本分类	sklearn.feature_extraction.TfidfVectorizer
Word2Vec	将词映射为低维稠密向量，捕捉语义相似性	语义分析，深度学习模型输入	gensim.models.Word2Vec

• TF-IDF 公式 ：

  \( \text{TF-IDF}(t,d) = \text{TF}(t,d) \times \log\left(\frac{N}{\text{DF}(t) + 1}\right) \)

  • \( \text{TF}(t,d) \)：词 \( t \) 在文档 \( d \) 中的频率。

  • \( \text{DF}(t) \)：包含词 \( t \) 的文档数。

  • \( N \)：总文档数。

• Word2Vec 训练示例：

  from gensim.models import Word2Vec
  sentences = [["自然", "语言", "处理"], ["深度", "学习", "实战"]]
  model = Word2Vec(sentences, vector_size=100, window=5, min_count=1)
  print(model.wv["自然"])  # 输出词向量
  

---

五、假新闻分类实战步骤

1. 数据预处理

• 合并文本列：

  df['title_zh'] = df['title1_zh'] + df['title2_zh']
  

• 加载停用词：

  def load_stopwords(file_path):
      with open(file_path, 'r') as f:
          return [line.strip() for line in f]
  stopwords = load_stopwords('stopwords.txt')
  

2. 分词与清洗

• 结巴分词 + 去停用词：

  import jieba
  corpus = []
  for text in df['title_zh']:
      words = [word for word in jieba.cut(text) if word not in stopwords]
      corpus.append(words)
  

3. 特征提取（Word2Vec）

• 训练词向量：

  model = Word2Vec(corpus, vector_size=100, window=5, min_count=1)
  

• 文本向量化（词向量求和）：

  import numpy as np
  def text_to_vec(words):
      vec = np.zeros(100)
      for word in words:
          if word in model.wv:
              vec += model.wv[word]
      return vec
  X = np.array([text_to_vec(words) for words in corpus])
  

4. 模型训练与评估

• 划分数据集：

  from sklearn.model_selection import train_test_split
  X_train, X_test, y_train, y_test = train_test_split(X, df['label'], test_size=0.2)
  

• 随机森林分类：

  from sklearn.ensemble import RandomForestClassifier
  clf = RandomForestClassifier()
  clf.fit(X_train, y_train)
  print("Accuracy:", clf.score(X_test, y_test))
  

---

六、常见问题与优化方向

1. 分词不准确：

   • 添加专业词典（如 jieba.load_userdict()）。

   • 调整结巴分词的 HMM 参数（jieba.cut(use_hmm=True)）。

2. 特征提取效果差：

   • 使用预训练词向量（如腾讯词向量、Google News 词向量）。

   • 尝试其他文本表示方法（如 BERT 嵌入）。

3. 模型准确率低：

   • 增加数据量或数据增强。

   • 使用更复杂的模型（如 LSTM、Transformer）。

---

七、参考工具与资源

• 分词工具：

  • 结巴分词 GitHub

• 预训练词向量：

  • 腾讯词向量

  • Google News 词向量

• 深度学习框架：

  • TensorFlow

  • PyTorch