【NLP】新聞上的文本分類：機(jī)器學(xué)習(xí)大亂斗

知乎：https://www.zhihu.com/people/wang-yue-40-21

github: https://github.com/wavewangyue

目標(biāo)

從頭開始實(shí)踐中文短文本分類，記錄一下實(shí)驗(yàn)流程與遇到的坑 運(yùn)用多種機(jī)器學(xué)習(xí)（深度學(xué)習(xí) + 傳統(tǒng)機(jī)器學(xué)習(xí)）方法比較短文本分類處理過程與結(jié)果差別

工具

• 深度學(xué)習(xí)：keras
• 傳統(tǒng)機(jī)器學(xué)習(xí)：sklearn

參與比較的機(jī)器學(xué)習(xí)方法

• CNN 、 CNN + word2vec
• LSTM 、 LSTM + word2vec
• MLP（多層感知機(jī)）
• 樸素貝葉斯
• KNN
• SVM
• SVM + word2vec 、SVM + doc2vec

第 1-3 組屬于深度學(xué)習(xí)方法，第 4-6 組屬于傳統(tǒng)機(jī)器學(xué)習(xí)方法，第 7 組算是種深度與傳統(tǒng)合作的方法，畫風(fēng)清奇，拿來試試看看效果

源代碼、數(shù)據(jù)、word2vec模型下載

• github：https://github.com/wavewangyue/text-classification
• word2vec模型文件（使用百度百科文本預(yù)訓(xùn)練）下載：https://pan.baidu.com/s/13QWrN-9aayTTo0KKuAHMhw；提取碼 biwh
• 數(shù)據(jù)集：搜狗實(shí)驗(yàn)室 搜狐新聞數(shù)據(jù) 下載地址：http://www.sogou.com/labs/resource/cs.php

先上結(jié)果

實(shí)驗(yàn)結(jié)論

• 引入預(yù)訓(xùn)練的 word2vec 模型會(huì)給訓(xùn)練帶來好處，具體來說：（1）間接引入外部訓(xùn)練數(shù)據(jù)，防止過擬合；（2）減少需要訓(xùn)練的參數(shù)個(gè)數(shù)，提高訓(xùn)練效率
• LSTM 需要訓(xùn)練的參數(shù)個(gè)數(shù)遠(yuǎn)小于 CNN，但訓(xùn)練時(shí)間大于 CNN。CNN 在分類問題的表現(xiàn)上一直很好，無論是圖像還是文本；而想讓 LSTM 優(yōu)勢(shì)得到發(fā)揮，首先讓訓(xùn)練數(shù)據(jù)量得到保證
• 將單詞在 word2vec 中的詞向量加和求平均獲得整個(gè)句子的語義向量的方法看似 naive 有時(shí)真挺奏效，當(dāng)然僅限于短句子，長(zhǎng)度 100 以內(nèi)應(yīng)該問題不大
• 機(jī)器學(xué)習(xí)方法萬千，具體選擇用什么樣的方法還是要取決于數(shù)據(jù)集的規(guī)模以及問題本身的復(fù)雜度，對(duì)于復(fù)雜程度一般的問題，看似簡(jiǎn)單的方法有可能是墜吼地

干貨上完了，下面是實(shí)驗(yàn)的具體流程

0 數(shù)據(jù)預(yù)處理

將下載的原始數(shù)據(jù)進(jìn)行轉(zhuǎn)碼，然后給文本標(biāo)類別的標(biāo)簽，然后制作訓(xùn)練與測(cè)試數(shù)據(jù)，然后控制文本長(zhǎng)度，分詞，去標(biāo)點(diǎn)符號(hào)

哎，坑多，費(fèi)事，比較麻煩

首先，搜狗實(shí)驗(yàn)室提供的數(shù)據(jù)下載下來是 xml 格式，并且是 GBK （萬惡之源）編碼，需要轉(zhuǎn)成 UTF8，并整理成 json 方便處理。原始數(shù)據(jù)長(zhǎng)這個(gè)樣：

這么大的數(shù)據(jù)量，怎么轉(zhuǎn)碼呢？先嘗試?yán)?python 先讀入數(shù)據(jù)然后轉(zhuǎn)碼再保存，可傲嬌 python 并不喜歡執(zhí)行這種語句。。。再嘗試?yán)?vim 的 :set fileencoding=utf-8，亂碼從███變成錕斤拷。。。

經(jīng)過幾次嘗試，菜雞的我只能通過文本編輯器打開，然后利用文本編輯器轉(zhuǎn)換編碼。這樣問題來了，文件大小1.6G，記事本就不提了，Notepad 和 Editplus 也都紛紛陣亡。。。

還好最后發(fā)現(xiàn)了 UltraEdit，不但可以打開，速度簡(jiǎn)直飛起來，轉(zhuǎn)碼后再整理成的 json 長(zhǎng)這個(gè)樣子：

UltraEdit 就是好就是秒就是呱呱叫

搜狗新聞的數(shù)據(jù)沒有直接提供分類，而是得通過新聞來源網(wǎng)址的 url 來查其對(duì)應(yīng)得分類，比如 http://gongyi.sohu.com 的 url 前綴對(duì)應(yīng)的新聞?lì)愋途褪恰肮骖悺?。?duì)著他提供的對(duì)照表查，1410000+的總數(shù)據(jù)，成功標(biāo)出來的有510000+，標(biāo)不出來的新聞基本都來自 http://roll.sohu.com，這是搜狐的滾動(dòng)新聞，亂七八糟大雜燴，難以確定是什么類

對(duì)成功標(biāo)出來的15個(gè)類的新聞，統(tǒng)計(jì)一下類別的分布，結(jié)果如下：

分布比較不均，第 14 類和第 15 類的新聞很少，另外第 8 類和第 11 類一個(gè)新聞也沒有

所以最后選了剩下的11個(gè)類，每個(gè)類抽2000個(gè)新聞，按4：1分成訓(xùn)練與測(cè)試，如圖

11個(gè)類分別是

對(duì)這些新聞的長(zhǎng)度進(jìn)行統(tǒng)計(jì)結(jié)果如下：

橫軸是新聞的長(zhǎng)度，縱軸是擁有此長(zhǎng)度的新聞數(shù)量。在長(zhǎng)度為500字和1600字時(shí)突然兩個(gè)峰，猜測(cè)是搜狐新聞的一些長(zhǎng)度限制？？？

長(zhǎng)度0-100的放大觀察，分布還可以，說明如果基于這套數(shù)據(jù)做短文本分類，需要對(duì)原始文本進(jìn)行固定長(zhǎng)度的截取，長(zhǎng)度 100 可能是個(gè)不錯(cuò)的選擇

上一步選出來的訓(xùn)練新聞長(zhǎng)這樣，因?yàn)榭紤]到新聞標(biāo)題的意義重大，這里就將新聞標(biāo)題和新聞內(nèi)容接到一起，用空格隔開，然后截取每條新聞的前 100 個(gè)字

一行是一條新聞，訓(xùn)練數(shù)據(jù)17600行，測(cè)試數(shù)據(jù)4324行。然后用jieba分詞，分詞后利用詞性標(biāo)注結(jié)果，把詞性為‘x’（字符串）的去掉，就完成了去標(biāo)點(diǎn)符號(hào)

jieba真是好真是秒真是呱呱叫

最后得到以下結(jié)果文件：（1）新聞文本數(shù)據(jù)，每行 1 條新聞，每條新聞?dòng)扇舾蓚€(gè)詞組成，詞之間以空格隔開，訓(xùn)練文本 17600 行，測(cè)試文本 4324 行；（2）新聞標(biāo)簽數(shù)據(jù)，每行 1 個(gè)數(shù)字，對(duì)應(yīng)這條新聞所屬的類別編號(hào)，訓(xùn)練標(biāo)簽 17600行，測(cè)試標(biāo)簽 4324 行

1 CNN

深度學(xué)習(xí)用的 keras 工具，操作簡(jiǎn)單易懂，模型上手飛快，居家旅行必備。keras 后端用的 Tensorflow，雖然用什么都一樣

不使用預(yù)訓(xùn)練 word2vec 模型的 CNN：

首先一些先設(shè)定一些會(huì)用到的參數(shù)

MAX_SEQUENCE_LENGTH = 100 # 每條新聞最大長(zhǎng)度
EMBEDDING_DIM = 200 # 詞向量空間維度
VALIDATION_SPLIT = 0.16 # 驗(yàn)證集比例
TEST_SPLIT = 0.2 # 測(cè)試集比例

第一步先把訓(xùn)練與測(cè)試數(shù)據(jù)放在一起提取特征，使用 keras 的 Tokenizer 來實(shí)現(xiàn)，將新聞文檔處理成單詞索引序列，單詞與序號(hào)之間的對(duì)應(yīng)關(guān)系靠單詞的索引表 word_index 來記錄，這里從所有新聞中提取到 65604 個(gè)單詞，比如 [茍，國家，生死] 就變成了 [1024, 666, 233] ；然后將長(zhǎng)度不足 100 的新聞?dòng)?0 填充（在前端填充），用 keras 的 pad_sequences 實(shí)現(xiàn)；最后將標(biāo)簽處理成 one-hot 向量，比如 6 變成了 [0,0,0,0,0,0,1,0,0,0,0,0,0]，用 keras 的 to_categorical 實(shí)現(xiàn)

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.utils import to_categorical
import numpy as np

tokenizer = Tokenizer()
tokenizer.fit_on_texts(all_texts)
sequences = tokenizer.texts_to_sequences(all_texts)
word_index = tokenizer.word_index
print('Found %s unique tokens.' % len(word_index))
data = pad_sequences(sequences, maxlen=MAX_SEQUENCE_LENGTH)
labels = to_categorical(np.asarray(all_labels))
print('Shape of data tensor:', data.shape)
print('Shape of label tensor:', labels.shape)

再將處理后的新聞數(shù)據(jù)按 6.4：1.6：2 分為訓(xùn)練集，驗(yàn)證集，測(cè)試集

p1 = int(len(data)*(1-VALIDATION_SPLIT-TEST_SPLIT))
p2 = int(len(data)*(1-TEST_SPLIT))
x_train = data[:p1]
y_train = labels[:p1]
x_val = data[p1:p2]
y_val = labels[p1:p2]
x_test = data[p2:]
y_test = labels[p2:]
print 'train docs: '+str(len(x_train))
print 'val docs: '+str(len(x_val))
print 'test docs: '+str(len(x_test))

然后就是搭建模型，首先是一個(gè)將文本處理成向量的 embedding 層，這樣每個(gè)新聞文檔被處理成一個(gè) 100 x 200 的二維向量，100 是每條新聞的固定長(zhǎng)度，每一行的長(zhǎng)度為 200 的行向量代表這個(gè)單詞在空間中的詞向量。下面通過 1 層卷積層與池化層來縮小向量長(zhǎng)度，再加一層 Flatten 層將 2 維向量壓縮到 1 維，最后通過兩層 Dense（全連接層）將向量長(zhǎng)度收縮到 12 上，對(duì)應(yīng)新聞分類的 12 個(gè)類（其實(shí)只有 11 個(gè)類，標(biāo)簽 0 沒有用到）。搭完收工，最后，訓(xùn)練模型，測(cè)試模型，一鼓作氣，攻下高地。

from keras.layers import Dense, Input, Flatten, Dropout
from keras.layers import Conv1D, MaxPooling1D, Embedding
from keras.models import Sequential

model = Sequential()
model.add(Embedding(len(word_index) + 1, EMBEDDING_DIM, input_length=MAX_SEQUENCE_LENGTH))
model.add(Dropout(0.2))
model.add(Conv1D(250, 3, padding='valid', activation='relu', strides=1))
model.add(MaxPooling1D(3))
model.add(Flatten())
model.add(Dense(EMBEDDING_DIM, activation='relu'))
model.add(Dense(labels.shape[1], activation='softmax'))
model.summary()

模型長(zhǎng)這個(gè)樣子

問：這里只使用了 1 層卷積層，為什么不多加幾層？

答：新聞長(zhǎng)度只有100個(gè)單詞，即特征只有100維，1 層卷積加池化后特征已經(jīng)縮減為 32 維，再加卷積可能就卷沒了。2 層 3 層也做過，效果都不好

問：為什么只訓(xùn)練 2 輪

答：?jiǎn)栴}比較簡(jiǎn)單，1 輪訓(xùn)練已經(jīng)收斂，實(shí)驗(yàn)表明第 2 輪訓(xùn)練基本沒什么提升

問：為什么卷積核為什么選擇 250 個(gè)？

答：因?yàn)殚_心

實(shí)驗(yàn)結(jié)果如下

準(zhǔn)確度 0.81459521

擁有11個(gè)分類的問題達(dá)到這個(gè)準(zhǔn)確度，應(yīng)該也不錯(cuò)（易滿足）。并且搜狗給的數(shù)據(jù)本來也不是很好（甩鍋）?？梢钥吹皆谟?xùn)練集上的準(zhǔn)確度達(dá)到了 0.88，但是測(cè)試集上的準(zhǔn)確度只有 0.81，說明還是有些過擬合。另外，整個(gè)模型需要訓(xùn)練的參數(shù)接近 1500 萬，其中 1300 萬都是 embedding 層的參數(shù)，說明如果利用 word2vec 模型替換 embedding 層，解放這 1300 萬參數(shù)，肯定會(huì)讓訓(xùn)練效率得到提高

基于預(yù)訓(xùn)練的 word2vec 的 CNN ：

參考資料

• keras示例程序 pretrained_word_embeddings.py 代碼地址 https://github.com/fchollet/keras/blob/master/examples/pretrained_word_embeddings.py
• 中文講解地址（在Keras模型中使用預(yù)訓(xùn)練的詞向量） http://keras-cn.readthedocs.io/en/latest/blog/word_embedding/

既然提到了 word2vec 可能會(huì)提高訓(xùn)練效率，那就用實(shí)驗(yàn)驗(yàn)證一下。（重點(diǎn)）（重點(diǎn)）（重點(diǎn)）正常的深度學(xué)習(xí)訓(xùn)練，比如上面的 CNN 模型，第一層（除去 Input 層）是一個(gè)將文本處理成向量的 embedding 層。這里為了使用預(yù)訓(xùn)練的 word2vec 來代替這個(gè) embedding 層，就需要將 embedding 層的 1312 萬個(gè)參數(shù)用 word2vec 模型中的詞向量替換。替換后的 embedding 矩陣形狀為 65604 x 200，65604 行代表 65604 個(gè)單詞，每一行的這長(zhǎng)度 200 的行向量對(duì)應(yīng)這個(gè)詞在 word2vec 空間中的 200 維向量。最后，設(shè)定 embedding 層的參數(shù)固定，不參加訓(xùn)練，這樣就把預(yù)訓(xùn)練的 word2vec 嵌入到了深度學(xué)習(xí)的模型之中

VECTOR_DIR = 'wiki.zh.vector.bin' # 詞向量模型文件

from keras.utils import plot_model
from keras.layers import Embedding
import gensim

w2v_model = gensim.models.KeyedVectors.load_word2vec_format(VECTOR_DIR, binary=True)
embedding_matrix = np.zeros((len(word_index) + 1, EMBEDDING_DIM))
for word, i in word_index.items(): 
    if unicode(word) in w2v_model:
        embedding_matrix[i] = np.asarray(w2v_model[unicode(word)],
                                         dtype='float32')
embedding_layer = Embedding(len(word_index) + 1,
                            EMBEDDING_DIM,
                            weights=[embedding_matrix],
                            input_length=MAX_SEQUENCE_LENGTH,
                            trainable=False)

模型搭建與剛才類似，就是用嵌入了 word2vec 的 embedding_layer 替換原來的 embedding 層

from keras.layers import Dense, Input, Flatten, Dropout
from keras.layers import Conv1D, MaxPooling1D, Embedding
from keras.models import Sequential

model = Sequential()
model.add(embedding_layer)
model.add(Dropout(0.2))
model.add(Conv1D(250, 3, padding='valid', activation='relu', strides=1))
model.add(MaxPooling1D(3))
model.add(Flatten())
model.add(Dense(EMBEDDING_DIM, activation='relu'))
model.add(Dense(labels.shape[1], activation='softmax'))
model.summary()
#plot_model(model, to_file='model.png',show_shapes=True)
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['acc'])
model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=2, batch_size=128)
model.save('word_vector_cnn.h5')
print model.evaluate(x_test, y_test)

模型長(zhǎng)相跟之前一致，實(shí)驗(yàn)輸出與測(cè)試結(jié)果如下

準(zhǔn)確度 0.85336374

相比不使用 word2vec 的 cnn，過擬合的現(xiàn)象明顯減輕，使準(zhǔn)確度得到了提高。并且需要訓(xùn)練的參數(shù)大大減少了，使訓(xùn)練時(shí)間平均每輪減少 20s 左右

2 LSTM

終于到了自然語言處理界的大哥 LSTM 登場(chǎng)，還有點(diǎn)小期待

from keras.layers import Dense, Input, Flatten, Dropout
from keras.layers import LSTM, Embedding
from keras.models import Sequential

model = Sequential()
model.add(Embedding(len(word_index) + 1, EMBEDDING_DIM, 
          input_length=MAX_SEQUENCE_LENGTH))
model.add(LSTM(200, dropout=0.2, recurrent_dropout=0.2))
model.add(Dropout(0.2))
model.add(Dense(labels.shape[1], activation='softmax'))
model.summary()

模型長(zhǎng)這樣

大哥開動(dòng)！

準(zhǔn)確度 0.70627138

并沒有期待中那么美好。。。原因是這點(diǎn)小數(shù)據(jù)量，并沒有讓 LSTM 發(fā)揮出它的優(yōu)勢(shì)。并不能給大哥一個(gè)奔馳的草原。。。并不能讓大哥飛起來。。。另外使用 LSTM 需要訓(xùn)練的參數(shù)要比使用 CNN 少很多，但是訓(xùn)練時(shí)間是 CNN 的 2 倍。大哥表示不但飛不動(dòng)，還飛的很累。。。

基于預(yù)訓(xùn)練的 word2vec 模型：

流程跟上面使用 word2vec 的 CNN 的基本一致，同樣也是用嵌入了 word2vec 的 embedding_layer 替換原始的 embedding 層

from keras.layers import Dense, Input, Flatten, Dropout
from keras.layers import LSTM, Embedding
from keras.models import Sequential

model = Sequential()
model.add(embedding_layer)
model.add(LSTM(200, dropout=0.2, recurrent_dropout=0.2))
model.add(Dropout(0.2))
model.add(Dense(labels.shape[1], activation='softmax'))
model.summary()

準(zhǔn)確度 0.82736602

效果好了不少，依然存在過擬合現(xiàn)象，再一次說明了數(shù)據(jù)量對(duì) LSTM 的重要性，使用預(yù)訓(xùn)練的 word2vec 模型等于間接增加了訓(xùn)練語料，所以在這次實(shí)驗(yàn)中崩壞的不是很嚴(yán)重

LP（多層感知機(jī)）

參考資料

• keras 示例程序：reuters_mlp.py
• 代碼地址：https://github.com/fchollet/keras/blob/master/examples/reuters_mlp.py

MLP 是一個(gè)結(jié)構(gòu)上很簡(jiǎn)單很 naive 的神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)的處理流程也跟上面兩個(gè)實(shí)驗(yàn)差不多，不過不再將每條新聞處理成 100 x 200 的 2 維向量，而是成為長(zhǎng)度 65604 的 1 維向量。65604 代表數(shù)據(jù)集中所有出現(xiàn)的 65604 個(gè)單詞，數(shù)據(jù)的值用 tf-idf 值填充，整個(gè)文檔集成為一個(gè)用 17600 x 65604 個(gè) tf-idf 值填充的矩陣，第 i 行 j 列的值表征了第 j 個(gè)單詞在第 i 個(gè)文檔中的的 tf-idf值（當(dāng)然這里也可以不用 tf-idf 值，而只是使用 0/1 值填充， 0/1 代表第 j 個(gè)單詞在第 i 個(gè)文檔中是否出現(xiàn)，但是實(shí)驗(yàn)顯示用 tf-idf 的效果更好）

tokenizer = Tokenizer()
tokenizer.fit_on_texts(all_texts)
sequences = tokenizer.texts_to_sequences(all_texts)
word_index = tokenizer.word_index
print('Found %s unique tokens.' % len(word_index))
data = tokenizer.sequences_to_matrix(sequences, mode='tfidf')
labels = to_categorical(np.asarray(all_labels))

模型很簡(jiǎn)單，僅有兩個(gè)全連接層組成，將長(zhǎng)度 65604 的 1 維向量經(jīng)過 2 次壓縮成為長(zhǎng)度 12 的 1 維向量

from keras.layers import Dense, Dropout
from keras.models import Sequential

model = Sequential()
model.add(Dense(512, input_shape=(len(word_index)+1,), activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(labels.shape[1], activation='softmax'))
model.summary()

準(zhǔn)確度 0.86066135

相比 CNN 與 LSTM 的最好成績(jī)，雖然簡(jiǎn)單，但是依然 NB

只是不能像 CNN 與 LSTM 那樣借助預(yù)訓(xùn)練 word2vec 的幫助，加上數(shù)據(jù)量不大，所以稍微有些過擬合，不過結(jié)果依舊很不錯(cuò)。沒有復(fù)雜的 embedding，清新脫俗的傳統(tǒng)感知機(jī)模型在這種小數(shù)據(jù)集的簡(jiǎn)單問題上表現(xiàn)非常好（雖然訓(xùn)練參數(shù)已經(jīng)達(dá)到了 3300 萬個(gè)，單輪耗時(shí)也將近 200s 了）

4 樸素貝葉斯

非深度學(xué)習(xí)方法這里使用 sklearn 來實(shí)踐

首先登場(chǎng)的是樸素貝葉斯。數(shù)據(jù)處理的過程跟上述的 MLP 是一致的，也是將整個(gè)文檔集用 tf-idf 值填充，讓整個(gè)文檔集成為一個(gè) 17600 x 65604 的 tf-idf 矩陣。這里需要使用 sklearn 的 CountVectorizer 與 TfidfTransformer 函數(shù)實(shí)現(xiàn)。代碼如下

from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer   
count_v0= CountVectorizer();  
counts_all = count_v0.fit_transform(all_text);
count_v1= CountVectorizer(vocabulary=count_v0.vocabulary_);  
counts_train = count_v1.fit_transform(train_texts);   
print "the shape of train is "+repr(counts_train.shape)  
count_v2 = CountVectorizer(vocabulary=count_v0.vocabulary_);  
counts_test = count_v2.fit_transform(test_texts);  
print "the shape of test is "+repr(counts_test.shape)  
  
tfidftransformer = TfidfTransformer();    
train_data = tfidftransformer.fit(counts_train).transform(counts_train);
test_data = tfidftransformer.fit(counts_test).transform(counts_test);

這里有一個(gè)需要注意的地方，由于訓(xùn)練集和測(cè)試集分開提取特征會(huì)導(dǎo)致兩者的特征空間不同，比如訓(xùn)練集里 “茍” 這個(gè)單詞的序號(hào)是 1024，但是在測(cè)試集里序號(hào)就不同了，或者根本就不存在在測(cè)試集里。所以這里先用所有文檔共同提取特征（counts_v0），然后利用得到的詞典（counts_v0.vocabulary_）再分別給訓(xùn)練集和測(cè)試集提取特征。然后開始訓(xùn)練與測(cè)試

from sklearn.naive_bayes import MultinomialNB  
from sklearn import metrics
clf = MultinomialNB(alpha = 0.01)   
clf.fit(x_train, y_train);  
preds = clf.predict(x_test);
num = 0
preds = preds.tolist()
for i,pred in enumerate(preds):
    if int(pred) == int(y_test[i]):
        num += 1
print 'precision_score:' + str(float(num) / len(preds))

準(zhǔn)確度 0.85430157

這只是一個(gè)簡(jiǎn)單的樸素貝葉斯方法，準(zhǔn)確度高到驚人，果然最簡(jiǎn)單的有時(shí)候就是最有效的

5 KNN

跟上面基本一致，只是將 MultinomialNB 函數(shù)變成 KNeighborsClassifier 函數(shù)，直接上結(jié)果

from sklearn.neighbors import KNeighborsClassifier  

for x in range(1,15):  
    knnclf = KNeighborsClassifier(n_neighbors=x)
    knnclf.fit(x_train,y_train)  
    preds = knnclf.predict(x_test);
    num = 0
    preds = preds.tolist()
    for i,pred in enumerate(preds):
        if int(pred) == int(y_test[i]):
            num += 1
    print 'K= '+str(x)+', precision_score:' + str(float(num) / len(preds))

K=11時(shí)，準(zhǔn)確度 0.31961147，非常低，說明 KNN 方法不太適合做此類問題

6 SVM

這里 svm 的 kernel 選用了線性核，其他的比如多項(xiàng)式核和高斯核也都試過，效果極差，直接上結(jié)果

from sklearn.svm import SVC   
svclf = SVC(kernel = 'linear') 
svclf.fit(x_train,y_train)  
preds = svclf.predict(x_test);  
num = 0
preds = preds.tolist()
for i,pred in enumerate(preds):
    if int(pred) == int(y_test[i]):
        num += 1
print 'precision_score:' + str(float(num) / len(preds))

準(zhǔn)確度 0.84435708，還是不錯(cuò)的，超過 LSTM ，不及 CNN 與 MLP

7 SVM + word2vec 與 doc2vec

這兩個(gè)實(shí)驗(yàn)是后期新加入的，畫風(fēng)比較清奇，是騾是馬溜一圈，就決定拿過來做個(gè)實(shí)驗(yàn)一起比較一下

svm + word2vec：

這個(gè)實(shí)驗(yàn)的主要思想是這樣：原本每條新聞?dòng)扇舾蓚€(gè)詞組成，每個(gè)詞在 word2vec 中都有由一個(gè)長(zhǎng)度 200 的詞向量表示，且這個(gè)詞向量的位置是與詞的語義相關(guān)聯(lián)的。那么對(duì)于每一條新聞，將這條新聞中所有的詞的詞向量加和取平均，既能保留句子中所有單詞的語義，又能生成一個(gè)蘊(yùn)含著這句話的綜合語義的“句向量”，再基于這個(gè)長(zhǎng)度 200 的句向量使用 svm 分類。這個(gè)思想看起來很 naive，但是又說不出什么不合理的地方。嘗試一下，代碼與結(jié)果如下：

import gensim
import numpy as np
w2v_model = gensim.models.KeyedVectors.load_word2vec_format(VECTOR_DIR, binary=True)
x_train = []
x_test = []
for train_doc in train_docs:
    words = train_doc.split(' ')
    vector = np.zeros(EMBEDDING_DIM)
    word_num = 0
    for word in words:
        if unicode(word) in w2v_model:
            vector += w2v_model[unicode(word)]
            word_num += 1
    if word_num > 0:
        vector = vector/word_num
    x_train.append(vector)
for test_doc in test_docs:
    words = test_doc.split(' ')
    vector = np.zeros(EMBEDDING_DIM)
    word_num = 0
    for word in words:
        if unicode(word) in w2v_model:
            vector += w2v_model[unicode(word)]
            word_num += 1
    if word_num > 0:
        vector = vector/word_num
    x_test.append(vector)

準(zhǔn)確度 0.85175763，驚了，這種看似很 naive 的方法竟然取得了非常好的效果。相比于之前所有包括 CNN、LSTM、MLP、SVM 等方法，這種方法有很強(qiáng)的優(yōu)勢(shì)。它不需要特征提取的過程，也不需固定新聞的長(zhǎng)度，一個(gè)模型訓(xùn)練好，跨著數(shù)據(jù)集都能跑。但是也有其缺陷一面，比如忽略詞語的前后關(guān)系，并且當(dāng)句子長(zhǎng)度較長(zhǎng)時(shí)，求和取平均已經(jīng)無法準(zhǔn)確保留語義信息了。但是在短文本分類上的表現(xiàn)還是很亮

svm + doc2vec：

上面 svm + word2vec 的實(shí)驗(yàn)提到當(dāng)句子很長(zhǎng)時(shí)，簡(jiǎn)單求和取平均已經(jīng)不能保證原來的語義信息了。偶然發(fā)現(xiàn)了 gensim 提供了一個(gè) doc2vec 的模型，直接為文檔量身訓(xùn)練“句向量”，神奇。具體原理不講了（也不是很懂），直接給出使用方法

import gensim
sentences = gensim.models.doc2vec.TaggedLineDocument('all_contents.txt')
model = gensim.models.Doc2Vec(sentences, size=200, window=5, min_count=5)
model.save('doc2vec.model')
print 'num of docs: ' + str(len(model.docvecs))

all_contents.txt 里是包括訓(xùn)練文檔與測(cè)試文檔在內(nèi)的所有數(shù)據(jù)，同樣每行 1 條新聞，由若干個(gè)詞組成，詞之間用空格隔開，先使用 gensim 的 TaggedLineDocument 函數(shù)預(yù)處理下，然后直接使用 Doc2Vec 函數(shù)開始訓(xùn)練，訓(xùn)練過程很快（可能因?yàn)閿?shù)據(jù)少）。然后這所有 21924 篇新聞就變成了 21924 個(gè)長(zhǎng)度 200 的向量，取出前 17600 個(gè)給 SVM 做分類訓(xùn)練，后 4324 個(gè)測(cè)試，代碼和結(jié)果如下：

import gensim
model = gensim.models.Doc2Vec.load('doc2vec.model')
x_train = []
x_test = []
y_train = train_labels
y_test = test_labels
for idx, docvec in enumerate(model.docvecs):
    if idx < 17600:
        x_train.append(docvec)
    else:
        x_test.append(docvec)
print 'train doc shape: '+str(len(x_train))+' , '+str(len(x_train[0]))
print 'test doc shape: '+str(len(x_test))+' , '+str(len(x_test[0]))

from sklearn.svm import SVC   
svclf = SVC(kernel = 'rbf') 
svclf.fit(x_train,y_train)  
preds = svclf.predict(x_test);  
num = 0
preds = preds.tolist()
for i,pred in enumerate(preds):
    if int(pred) == int(y_test[i]):
        num += 1
print 'precision_score:' + str(float(num) / len(preds))

準(zhǔn)確度 0.48126734，慘不忍睹。原因可能就是文檔太短，每個(gè)文檔只有不超過 100 個(gè)詞，導(dǎo)致對(duì)“句向量”的學(xué)習(xí)不準(zhǔn)確，word2vec 模型訓(xùn)練需要 1G 以上的數(shù)據(jù)量，這里訓(xùn)練 doc2vec 模型20000個(gè)文檔卻只有 5M 的大小，所以崩壞

另外！這里對(duì) doc2vec 的應(yīng)用場(chǎng)景有一些疑問，如果我新加入一條新聞想要分類，那么我必須先要把這個(gè)新聞加到文檔集里，然后重新對(duì)文檔集進(jìn)行 doc2vec 的訓(xùn)練，得到這個(gè)新新聞的文檔向量，然后由于文檔向量模型變了， svm 分類模型應(yīng)該也需要重新訓(xùn)練了。所以需要自底向上把所有模型打破重建才能讓為新文檔分類？那實(shí)用性很差啊。也可能我理解有誤，希望是這樣

總結(jié)

總結(jié)放在開頭了

打完收工