文本分类与SVM
1 基礎(chǔ)知識
1. 1 樣本整理
文本分類屬于有監(jiān)督的學習，所以需要整理樣本。根據(jù)業(yè)務(wù)需求，確定樣本標簽與數(shù)目，其中樣本標簽多為整數(shù)。在svm中其中如果為二分類，樣本標簽一般會設(shè)定為-1和1，而在樸素貝葉斯方法中，一般為0和1，但不是固定的，標簽的設(shè)置和算法本身的性質(zhì)有關(guān)的。如下面的整理的樣本，1為正類，-1為反類（為了能便于展示，這里使用了一些即時聊天工具中的文本，里面的一些對話都是YY，并非真實的）。
表 1.1?1 一個訓練樣本的例子
| 標簽 | 樣本 |
| 1 | 如要購買商品的請加我qq61517891聯(lián)系我購買！ |
| 1 | 聯(lián)系qq1121107282?? |
| 1 | 你好需要訂購請加扣扣 |
| -1 | 索尼愛立信手機的體驗是一個月嗎 |
| -1 | 不好意思這個價錢最便宜了 |
| -1 | 3件的那個他是高價在賣????? |
?
1.2 特征選擇
文本分類中最著名的特征提取方法就是向量空間模型（VSM），即將樣本轉(zhuǎn)換為向量的形式。為了能實現(xiàn)這種轉(zhuǎn)換，需要做兩個工作：確定特征集和提取特征。
1.2.1 確定特征集
特征集其實就是詞典，而且還需要給每個詞設(shè)定一個編號。
一般可以將所有樣本的詞都提取出來作為詞典，而詞典的編號可以隨意設(shè)置，默認情況下，所有詞的權(quán)重都是等同的。如何從樣本中提取出一個個意義的詞呢？最常用的方法就是使用分詞工具，比如“如要購買商品的請加我qq61517891聯(lián)系我購買！”，可以分成“如^要^購買^商品^的^請^加^我^qq61517891^聯(lián)系^我^購買^！”，其中“^”是用來分割詞的?，F(xiàn)在比較常見的分詞工具有ICTCLAS（C++）,Iksegment（Java）。
下圖是一個典型的生成詞典的流程圖。
圖 1.1?1 從樣本中提取詞典流程圖
1.2.2 特征選擇
根據(jù)不同的業(yè)務(wù)，文本分類中詞典的規(guī)模在萬級到千萬級甚至億級。而這么大的維度可能會帶來維度災(zāi)難，因此就要想辦法從大量的特征中選擇一些有代表性的特征而又不影響分類的效果（而根據(jù)文獻中的結(jié)果，特征選擇可以在一定程度上提高分類的效果）。特征選擇就是從特征集中選擇一些代表性的詞。而如何衡量詞的代表性呢？一般的計算方法有詞頻、卡方公式、信息增益等。當前文獻中一致認為比較好的方法是卡方公式。
下面幾個鏈接是幾篇寫的比較詳細介紹如何進行特征選擇的文章
1.??????http://www.blogjava.net/zhenandaci/archive/2009/04/19/266388.html?特征選擇與特征權(quán)重計算的區(qū)別
2.??????http://www.blogjava.net/zhenandaci/archive/2009/03/24/261701.html? 特征選擇方法之信息增益
3.??????http://www.blogjava.net/zhenandaci/archive/2008/08/31/225966.html? 特征選擇算法之開方檢驗
?
1.2.3 特征抽取
另外一種解決維度災(zāi)難的思路就是特征抽取。同樣是降維，相比特征選擇，特征抽取采用了一種高級的方法來進行。Topic Modeling是原理就是將利用映射將高緯度空間映射到低緯空間，從而達到降維的目的。具體可以見2.1特征抽取部分
?
1.3 計算特征權(quán)重
給定一個樣本，如何轉(zhuǎn)換成向量呢？
首先給一張流程圖：
圖 1.1?2 計算特征權(quán)重的流程
?
流程：
1）首先，對樣本進行分詞，提取出所有的詞。
2）根據(jù)已經(jīng)生成的詞典，如果詞典中的詞出現(xiàn)，就在相應(yīng)對應(yīng)的位置填入該詞的詞頻。
3）對生成的向量進行歸一化
上面的所示的方法是比較簡單的一種，其中特征權(quán)重采用的為詞頻來表示，現(xiàn)在比較常用的特征權(quán)重的計算方式為TF*IDF，TF*RF。詳見2.3 特征權(quán)重
?
1.4???模型訓練與預(yù)測
當把文本轉(zhuǎn)換成向量的形式后，大部分的工作其實已經(jīng)做完了。后面所要做的就是利用算法進行訓練和預(yù)測了。
現(xiàn)在文本分類的算法很多，常見的有Na?ve Bayes，SVM，KNN，Logistic回歸等。其中SVM據(jù)文獻中說是在工業(yè)界和學術(shù)界通吃的，不過據(jù)我了解現(xiàn)在公司里用SVM來做分類的不多 = =，而Logistic回歸則是比較常用的，因為相對來說簡單，而且可以并行化訓練。最重要是簡單可依賴。
而至于這些算法具體是什么我這里也不再累述了，因為網(wǎng)絡(luò)上介紹相關(guān)的算法的文獻很多，而且源程序也很多。可以直接下來下來使用。
?
資料與程序
1.??????http://nlp.stanford.edu/IR-book/html/htmledition/naive-bayes-text-classification-1.html介紹Na?veBayes方法如何應(yīng)用在文本分類上
2.?????http://blog.163.com/jiayouweijiewj@126/blog/static/17123217720113115027394/?詳細分析了Mahout中如何實現(xiàn)Na?veBayes
3.??????http://www.csie.ntu.edu.tw/~cjlin/libsvm/? Libsvm是用來進行SVM訓練與預(yù)測的開源工具。下載下來就可以直接用，作者的文檔寫的很詳細。
4.??????http://www.blogjava.net/zhenandaci/category/31868.htmlSVM的八股介紹，講解的還是通俗易懂的
5.??????http://blog.pluskid.org/?page_id=683?介紹支持向量機的
6.??????https://code.google.com/p/tmsvm/??Tmsvm是我之前寫的利用svm進行文本分類的程序，涉及到文本分類的所有流程。
?
1.5 進一步閱讀：
文本分類的技術(shù)已經(jīng)被研究了很多年，所以相關(guān)的資料也是非常多，可以進一步閱讀下面的一些資料
1.??????http://www.blogjava.net/zhenandaci/category/31868.html?Show=All?這里有一個文本分類的入門系列，介紹的還是比較詳細的。
2.????? 《文本挖掘中若干關(guān)鍵問題研究》，這本書很薄，但是寫的很深入，對文本挖掘的一些重點問題進行了討論
?
2 若干問題的討論
2.1 特征選擇
特征選擇是就是依據(jù)某種權(quán)重計算公式從詞典中選擇一些有代表性的詞。常用的特征選擇的方法有很多種，Chi、Mutual Information、Information Gain。另外TF、IDF也可以作為特征選擇的一種方法。在這個問題上很多人做了大量的實驗，Chi方法是效果最好的一種，所以本系統(tǒng)（指的是TMSVM）中采用了這種方法。關(guān)于特征選擇無論是Wikipedia還是Paper中都有很細致的講解。
2.2 特征抽取
特征抽取和特征選擇都是為了降維。特征選擇的方法是從詞典中選出一些有代表性的詞，而特征抽取是利用映射將高緯度空間映射到低緯空間，從而達到降維的目的。最常見的特征抽取的方法是Latent Semantic Analysis（潛在語義分析），其中LSA也被稱作Topic Modeling，比較常用的Topic Modeling的方法有LSA、PLSA、LDA。之前使用的方法LSA。
假設(shè)原來的詞-文檔矩陣為，即有m個term，n篇文檔。表示第j篇文檔的向量。，經(jīng)過SVD分解后，選擇前k個特征值后。再去重組文檔的特征向量，，這樣新的文檔特征向量就由原來的m維降至k維。而一個新的文檔即可通過，映射到U空間上。其實還有另外一種方法，就是，但是在實驗中發(fā)現(xiàn)，前一種映射效果會更好一點。另外wikipedia上對LSA也有很詳細的闡述
本系統(tǒng)將LSA用來Classification上的方法是一種叫做local relevancy weighted LSI的方法。其主要步驟為
*?????????????模型訓練
①?????????????訓練初始分類器C0
②?????????????對訓練樣本預(yù)測，生成初始分值
③?????????????文檔特征向量變換
④?????????????設(shè)定閾值，選擇top n文檔作為局部LSA區(qū)域
⑤?????????????對局部詞/文檔 矩陣做SVD分解。得到U、S、V矩陣
⑥?????????????將其他的訓練樣本映射到U空間中
⑦?????????????對所有經(jīng)過變換后的訓練樣本進行訓練，得到LSA分類器
*?????????????模型預(yù)測
①?????????????利用C0預(yù)測得到其初始分值
②?????????????文檔特征向量變換
③?????????????映射到U空間
④?????????????利用LSA模型進行預(yù)測得分
?
2.3 特征權(quán)重計算
文檔特征向量的特征權(quán)重計算的一般公式為，即第i個term在第j篇文檔向量中的權(quán)重。其中Local(i,j)被稱為局部因子，與term在文檔中出現(xiàn)的次數(shù)有關(guān)。global(i)又稱為term的全局因子，與在整個訓練集中term出現(xiàn)有關(guān)。通常我們熟悉的公式都可以轉(zhuǎn)化為這一個通用的表達式。如最常用的tf形式，tf*idf形式。因此我們就可以在構(gòu)造詞典的時候就計算term的全局因子，把這個值放在詞典中，然后在計算特征權(quán)重的時候直接調(diào)用。
具體的流程圖如下：
圖 2.3?1 特征權(quán)重的計算流程
?
在Classification中哪種特征權(quán)重的計算方式最好？？tf*idf ？在文獻中最常用的是tf*idf，但是其效果并一定好。曾經(jīng)有人也在這上面做了一些工作，比如新加坡國立大學的Man Lan曾在ACM和AAAI上發(fā)表過文章來闡述這個問題。Zhi-Hong Deng也對各種feature weight的方法做了系統(tǒng)的比較，最終的結(jié)論是tf*idf并不是最佳的，而最簡單的tf表現(xiàn)不錯，一些具有區(qū)分性的方法比如tf*chi等效果差強人意。
后來Man Lan在09年發(fā)表了一篇論文，對term weighting方法做了一個綜合細致的闡述，并對其提出的tf*rf方法做了各方面的論證。
?
2.4 TSVM的模型訓練和預(yù)測流程
訓練過程：對文本自動做SVM模型的訓練。包括Libsvm、Liblinear包的選擇，分詞，詞典生成，特征選擇，SVM參數(shù)的選優(yōu)，SVM模型的訓練等都可以一步完成。示意圖見下面
圖 2.4?1 TMSVM模型訓練流程
模型預(yù)測過程：
圖 2.4?2 多個模型同時預(yù)測流程
?
模型結(jié)果：
模型會返回兩個結(jié)果：label和score，其中l(wèi)abel即其預(yù)測的標簽。而score是該樣本屬于該類的隸屬度，分值越大，代表屬于該類的置信度越大。具體的計算方式則是根據(jù)公式，，其中k為所有支持判別類得個數(shù)，n為所有類別個數(shù)，si 為所有支持判別類的分數(shù)。返回score的好處是對與information filtering問題，因為訓練樣本的unbalance和randomly sampling 問題，依據(jù)判別的標簽得到的結(jié)果準確率較低，因此需要通過閾值控制。
?
2.5 SVM參數(shù)選擇
Libsvm中最重要的兩個參數(shù)為C和gamma。C是懲罰系數(shù)，即對誤差的寬容度。c越高，說明越不能容忍出現(xiàn)誤差。C過大或過小，泛化能力變差。gamma是選擇RBF函數(shù)作為kernel后，該函數(shù)自帶的一個參數(shù)。隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的個數(shù)影響訓練與預(yù)測的速度。這個問題Chih-Jen Lin在其主頁上有詳細的介紹。
而Liblinear的C參數(shù)也是非常重要的。
因此在系統(tǒng)中會通過5-flods交叉驗證的方法對一定范圍內(nèi)的C,gamma進行g(shù)rid 搜索，關(guān)于grid搜索可以參考論文以及l(fā)ibsvm中tool文件夾中g(shù)rid.py源文件。grid搜索是可以得到全局最優(yōu)的參數(shù)的。
為了加快SVM參數(shù)搜索的效率，采用兩種粒度的搜索粗粒度和細粒度，兩種搜索方式的區(qū)別就是搜索步長不同。粗粒度是指搜索步長較大，為了能在較大的搜索范圍內(nèi)找到一個最優(yōu)解所在的大體區(qū)域。細粒度搜索搜索步長較小，為了能在一個較小范圍內(nèi)找到一個精確參數(shù)。
而對與大樣本的文件，使用上面的方法仍然會比較耗費時間。為了進一步提高效率，同時在保證得到全局最優(yōu)的情況下，先對選擇大樣本的子集進行粗粒度的搜索，然后得到在得到的最優(yōu)區(qū)間內(nèi)對全量樣本進行細粒度的搜索。
?
2.6 SVM參數(shù)選擇的并行化
SVM對訓練過程還是比較久的，尤其是為了能夠找到最合適的參數(shù)。自然就想到能不能對SVM的巡檢并行化。我之前做的方法是對參數(shù)的選擇并行化，而單個參數(shù)的訓練還是放在一個機器上串行進行。我把訓練的方法放在我博客上，就不再粘貼到這里了。
2 ? ? Libs與liblinear的多分類策略
2.7 Libsvm 與liblinear的多分類策略
libsvm的多分類策略為one-againt-one?？偣灿衚*(k-1)/2個binary classifier，對這k*(k-1)/2個binary classifier的value進行遍歷，如果第i個類和第j個類binary 的classifier的value大于0，則會給第i個類投1票，否則給第j個類投1票。選擇最終獲得投票數(shù)最多的類作為最終的類別。
而liblinear的策略為one-against-rest?？偣灿衚個binary classifier。從所有binary classifier中選擇值最大多對應(yīng)的類別作為最終的預(yù)測類標簽。
? ? 重復(fù)樣本對SVM模型的影響
2.8 重復(fù)樣本對SVM模型的影響
重復(fù)樣本對于SVM模型有怎樣的影響呢？
我自己做了個實驗，用來看重復(fù)樣本的影響。
原有一個訓練樣本共有Positive樣本1000，Negative樣本2000，然后將Positive樣本*2，構(gòu)造了一個Positive樣本2000，Negative樣本2000的訓練樣本。然后測試一個包含Positive樣本4494 ，Negative樣本24206的樣本。最終的結(jié)果如下：
圖2.8?1重復(fù)樣本對結(jié)果影響
從結(jié)果上來看：在F值上，無重復(fù)的樣本會比重復(fù)樣本稍高(圖中保留了2位小數(shù)，其實差異不超過0.5%)。而正確率上，重復(fù)樣本會比無重復(fù)樣本稍高。
然后我又把模型放入到一個包含3千萬樣本中去測試，具體的指標無法測算。但是感覺還是重復(fù)樣本會好一點。
具體分析：
1、???????一個樣本被重復(fù)的多次，意義上相當于增加了該樣本的權(quán)重。在SVM有一種WeightedInstance。在正常樣本難免會有些誤判，如果同一條樣本同時出現(xiàn)在Positive和Negative類中，包含重復(fù)樣本的Positive類就會把Negative類誤判的樣本的影響抵消。而在SVM分類中對這些離群點會用懲罰函數(shù)進行控制。
2、???????但是如果保留重復(fù)樣本，會增加樣本的量，對libsvm來說，分類的復(fù)雜度為O(Nsv3)，而且如果一個樣本是支持向量，那么所有重復(fù)的樣本也都會被加入到支持向量中去。而且如果要為SVM模型選擇合適的參數(shù)的，如果在SVM選擇的是RBF核函數(shù)，挑選合適的懲罰cost和RBF的參數(shù)gramma，如果在都是在[1,5,0.5]進行挑選，則總共會有9*9=81組參數(shù)需要挑選，在每組參數(shù)下如果要進行5-flods的交叉驗證，則需要81*5=405次訓練與測試的過程。如果每次訓練與測試花費2分鐘（在樣本達到10萬數(shù)量級的時候，libsvm的訓練時間差不多按分鐘計算），則總共需要405*2/60=12.3小時，所以說訓練一個好的SVM模型十分不容易。因此如果去掉重復(fù)樣本對訓練效率來說大有裨益。
?2.9 將分類應(yīng)用與信息過濾
分類應(yīng)用與信息過濾，對最終效果影響最大的是什么？分類算法？詞典大小？特征選擇？模型參數(shù)？這些都會影響到最終的過濾效果，但是如果說對過濾效果影響最大的，還是訓練樣本的采樣。
現(xiàn)在基于機器學習的分類算法一般都是基于一個假設(shè)：訓練集和測試集的分布是一致的，這樣在訓練集上訓練出來的分類器應(yīng)用與測試集時其效果才會比較有效。
但是信息過濾面對的數(shù)據(jù)集一般是整個互聯(lián)網(wǎng)，而互聯(lián)網(wǎng)的數(shù)據(jù)集一般很難去隨機采樣。如下圖所示：通常來說，信息過濾或其它面向全互聯(lián)網(wǎng)的應(yīng)用在分類，選擇數(shù)據(jù)集時，需要包含P（Positive，即用戶感興趣的樣本），N(Negative，即用戶不關(guān)心、不敢興趣的樣本)。最理想的情況是:P選擇是用戶感興趣的，而N是全網(wǎng)中除去P，顯而易見N是無限大的，而且很難估計其真正的分布，即無法對其隨機取樣。
圖2.9?1樣本分布
同樣面對整個互聯(lián)網(wǎng)的應(yīng)用時網(wǎng)頁分類，網(wǎng)頁分類應(yīng)用一般會選擇Yahoo!或者是專門整理網(wǎng)頁分類專門網(wǎng)站的網(wǎng)頁作為初始訓練樣本。
信息過濾的樣本一般來說，感興趣的樣本是很好隨機采樣的。但是與感興趣相對于的是正常樣本，這個很難去選擇。而正常樣本對全網(wǎng)測試效果是影響非常大的。我曾經(jīng)做過一個實驗：
首先，有一個包含5萬條樣本的數(shù)據(jù)集，有2.5萬條Positive樣本，2.5萬條Negative樣本。這里的Negative樣本是以前用關(guān)鍵字的方法找出的不正確的樣本。用4萬條樣本做訓練樣本，用1萬條樣本做測試樣本。訓練出得模型交叉驗證的結(jié)果可以達到97%以上。在測試樣本中的測試效果，然后選定閾值為0.9，這是的召回率可以達到93%，正確率為96%。
然后把這個模型放到一個包含3千萬條中去測試，設(shè)置閾值為0.9，共找出疑似違規(guī)樣本300萬條。對這個實驗來說，召回的樣本實在是太多了，其正確率是很低的。
然后，我又更換了一下正常樣本。從這3千萬樣本中隨機采樣出3萬條樣本，然后經(jīng)過校驗，將其中Positive的樣本剔除掉。剩下大約2萬7千條樣本放入到訓練樣本重新訓練。
把得到的新模型放到3千萬樣本中測試，同樣設(shè)置閾值為0.9，共找出疑似樣本15萬。正確率可以達到70%左右。所以正常樣本的隨機選擇對分類來說同樣至關(guān)重要。
舉一個小例子：
下圖左面的圖是用P和N訓練出得模型。右面的圖中有一個未知的類C，根據(jù)已知的模型，他應(yīng)該會被分入到P中，但是實際上他是不屬于P的。一般情況下，這種情況可以用閾值來控制。
圖2.9?2分類用于信息過濾
?
2.10? SVM解決樣本傾斜的問題
所謂數(shù)據(jù)偏斜（unbalanced），它指的是參與分類的兩個類別（也可以指多個類別）樣本數(shù)量差異很大。比如說正類有10，000個樣本，而負類只給了100個，這會引起的問題顯而易見，可以看看下面的圖：
圖2.10?1樣本傾斜示例
方形的點是負類。H，H1，H2是根據(jù)給的樣本算出來的分類面，由于負類的樣本很少很少，所以有一些本來是負類的樣本點沒有提供，比如圖中兩個灰色的方形點，如果這兩個點有提供的話，那算出來的分類面應(yīng)該是H’，H2’和H1，他們顯然和之前的結(jié)果有出入，實際上負類給的樣本點越多，就越容易出現(xiàn)在灰色點附近的點，我們算出的結(jié)果也就越接近于真實的分類面。但現(xiàn)在由于偏斜的現(xiàn)象存在，使得數(shù)量多的正類可以把分類面向負類的方向“推”，因而影響了結(jié)果的準確性。
具體的解決方法還是看我博客上的文章吧，這里就不單獨貼出來了。
?
2.11? 其他
文本分類的問題點很多，之前還想再寫寫如何對短文本（比如query）進行分類，利用利用Wikipedia的知識增強文本分類的效果，如何利用未標記樣本來提高分類的效果。現(xiàn)在時間不多，等有時間了再繼續(xù)深入的寫吧。
下面幾個鏈接是幾篇寫的比較詳細介紹如何進行特征選擇的文章
1.http://www.blogjava.net/zhenandaci/archive/2009/04/19/266388.html
特征選擇與特征權(quán)重計算的區(qū)別
2.http://www.blogjava.net/zhenandaci/archive/2009/03/24/261701.html
特征選擇方法之信息增益
3.http://www.blogjava.net/zhenandaci/archive/2008/08/31/225966.html
特征選擇算法之開方檢驗
1.http://nlp.stanford.edu/IR-book/html/htmledition/naive-bayes-text-classification-1.html
介紹Na?veBayes方法如何應(yīng)用在文本分類上
2.http://blog.163.com/jiayouweijiewj@126/blog/static/17123217720113115027394/
詳細分析了Mahout中如何實現(xiàn)Na?veBayes
3.http://www.csie.ntu.edu.tw/~cjlin/libsvm/
Libsvm是用來進行SVM訓練與預(yù)測的開源工具。下載下來就可以直接用，作者的文檔寫的很詳細。
4.http://www.blogjava.net/zhenandaci/category/31868.html
SVM的八股介紹，講解的還是通俗易懂的
5.http://blog.pluskid.org/?page_id=683
介紹支持向量機的
6.https://code.google.com/p/tmsvm/
Tmsvm是我之前寫的
利用svm進行文本分類的程序，涉及到文本分類的所有流程。
閱讀下面的一些資料
1.http://www.blogjava.net/zhenandaci/category/31868.html?Show=All
這里有一個文本分類的入門系列，介紹的還是比較詳細的。
2.《文本挖掘中若干關(guān)鍵問題研究》，這本書很薄，但是寫的很深入，對文本挖掘的一些重點問題進行了討論
總結(jié)
- 上一篇： Python之操作HBASE数据库
- 下一篇： 利用福禄克DSX2-5000 CH解决双