首页 > 代码库 > 使用gensim和sklearn搭建一个文本分类器(一):文档向量化

使用gensim和sklearn搭建一个文本分类器(一):文档向量化

总的来讲,一个完整的文本分类器主要由两个阶段,或者说两个部分组成:一是将文本向量化,将一个字符串转化成向量形式;二是传统的分类器,包括线性分类器,SVM, 神经网络分类器等等。

之前看的THUCTC的技术栈是使用 tf-idf 来进行文本向量化,使用卡方校验(chi-square)来降低向量维度,使用liblinear(采用线性核的svm) 来进行分类。而这里所述的文本分类器,使用lsi (latent semantic analysis, 隐性语义分析) 来进行向量化, 不需要降维, 因为可以直接指定维度, 然后使用线性核svm进行分类。lsi的部分主要使用gensim来进行, 分类主要由sklearn来完成。

1. 文档向量化

这部分的内容主要由gensim来完成。gensim库的一些基本用法在我之前的文章中已经有过介绍 点这里 这里就不再详述, 直接按照流程来写了。采用lsi进行向量化的流程主要有下面几步:

  1. 将各文档分词,从字符串转化为单词列表
  2. 统计各文档单词,生成词典(dictionary)
  3. 利用词典将文档转化成词频表示的向量,即指向量中的各值对应于词典中对应位置单词在该文档中出现次数
  4. 再进行进一步处理,将词频表示的向量转化成tf-idf表示的向量
  5. 由tf-idf表示的向量转化成lsi表示的向量

接下来按照上述流程来分别阐述

1.1 文档分词及预处理

分词有很多种方法,也有很多现成的库,这里仅介绍结巴的简单用法

import jieba

content = """面对当前挑战,我们应该落实2030年可持续发展议程,促进包容性发展"""
content = list(jieba.cut(content, cut_all=False))
print(content)
>>>[‘面对‘, ‘当前‘, ‘挑战‘, ‘,‘, ‘我们‘, ‘应该‘, ‘落实‘, ‘2030‘, ‘年‘, ‘可‘, ‘持续‘, ‘发展‘, ‘议程‘, ‘,‘, ‘促进‘, ‘包容性‘, ‘发展‘]

注意上面的cut_all选项,如果cut_all=False, 则会列出最优的分割选项; 如果cut_all=True, 则会列出所有可能出现的词

content = list(jieba.cut(content, cut_all=True))
print(content)
>>>[‘面对‘, ‘当前‘, ‘挑战‘, ‘‘, ‘‘, ‘我们‘, ‘应该‘, ‘落实‘, ‘2030‘, ‘年‘, ‘可‘, ‘持续‘, ‘发展‘, ‘议程‘, ‘‘, ‘‘, ‘促进‘, ‘包容‘, ‘包容性‘, ‘容性‘, ‘发展‘]

应该观察到,在分词后的直接结果中,有大量的无效项,例如空格,逗号等等。因此,一般在分词以后,还要进行预处理。例如去掉停用词(stop words, 指的是没什么意义的词,例如空格,逗号,句号,啊,呀, 等等), 去掉出现出现频率过低和过高的词等等。
我这一部分的程序是

def convert_doc_to_wordlist(str_doc,cut_all):
    # 分词的主要方法
    sent_list = str_doc.split(‘\n‘)
    sent_list = map(rm_char, sent_list) # 去掉一些字符,例如\u3000
    word_2dlist = [rm_tokens(jieba.cut(part,cut_all=cut_all)) for part in sent_list] # 分词
    word_list = sum(word_2dlist,[])
    return word_list

def rm_char(text):
    text = re.sub(‘\u3000‘,‘‘,text)
    return text

def get_stop_words(path=‘/home/multiangle/coding/python/PyNLP/static/stop_words.txt‘):
    # stop_words中,每行放一个停用词,以\n分隔
    file = open(path,‘rb‘).read().decode(‘utf8‘).split(‘\n‘)
    return set(file)

def rm_tokens(words): # 去掉一些停用次和数字
    words_list = list(words)
    stop_words = get_stop_words()
    for i in range(words_list.__len__())[::-1]:
        if words_list[i] in stop_words: # 去除停用词
            words_list.pop(i)
        elif words_list[i].isdigit():
            words_list.pop(i)
    return words_list

主程序是convert_doc_to_wordlist方法,拿到要分词的文本以后,首先去掉一些字符,例如\u3000等等。然后进行分词,再去掉其中的停用词和数字。 最后得到的单词,其顺序是打乱的,即单词间的相关信息已经丢失

1.2 统计单词,生成词典

一般来讲, 生成词典应该在将所有文档都分完词以后统一进行,不过对于规模特别大的数据,可以采用边分词边统计的方法。将文本分批读取分词,然后用之前生成的词典加入新内容的统计结果,如下面所示

from gensim import corpora,models
import jieba
import re
from pprint import pprint
import os

files = ["但是现在教育局非要治理这么一个情况",
         "然而又不搞明白为什么这些词会出现"]
dictionary = corpora.Dictionary()
for file in files:
    file = convert_doc_to_wordlist(file, cut_all=True)
    dictionary.add_documents([file])
pprint(sorted(list(dictionary.items()),key=lambda x:x[0]))
>>>[(0, ‘教育‘),
>>> (1, ‘治理‘),
>>> (2, ‘教育局‘),
>>> (3, ‘情况‘),
>>> (4, ‘非要‘),
>>> (5, ‘搞‘),
>>> (6, ‘明白‘),
>>> (7, ‘词‘)]
对于已经存在的词典,可以使用dictionary.add_documents来往其中增加新的内容。当生成词典以后,会发现词典中的词太多了,达到了几十万的数量级, 因此需要去掉出现次数过少的单词,因为这些代词没什么代表性。
small_freq_ids = [tokenid for tokenid, docfreq in dictionary.dfs.items() if docfreq < 5 ]
dictionary.filter_tokens(small_freq_ids)
dictionary.compactify()

1.3 将文档转化成按词频表示的向量

继续沿着之前的思路走,接下来要用dictionary把文档从词语列表转化成用词频表示的向量,也就是one-hot表示的向量。所谓one-hot,就是向量中的一维对应于词典中的一项。如果以词频表示,则向量中该维的值即为词典中该单词在文档中出现的频率。其实这个转化很简单,使用dictionray.doc2bow方法即可。

count = 0
bow  = []
for file in files:
    count += 1
    if count%100 == 0 :
        print(‘{c} at {t}‘.format(c=count, t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime())))
    word_list = convert_doc_to_wordlist(file, cut_all=False)
    word_bow = dictionary.doc2bow(word_list)
    bow.append(word_bow)
pprint(bow)
>>>[[(1, 1), (2, 1), (4, 1)], [(5, 1), (6, 1)]]

1.4 转化成tf-idf和lsi向量

之所以把这两部分放到一起,并不是因为这两者的计算方式或者说原理有多相似(实际上两者完全不同),而是说在gensim中计算这两者的调用方法比较类似,都需要调用gensim.models库。

tfidf_model = models.TfidfModel(corpus=corpus,
                                dictionary=dictionary)
corpus_tfidf = [tfidf_model[doc] for doc in corpus]
lsi_model = models.LsiModel(corpus = corpus_tfidf, 
                            id2word = dictionary, 
                            num_topics=50)
corpus_lsi = [lsi_model[doc] for doc in corpus]

可以看到gensim的方法还是比较简洁的。

1.5 实践中的一些问题

由于之前阅读THUCTC源码的时候下载了THUCTCNews文档集,大概1G多点,已经帮你分好类,放在各个文件夹下面了。为了便于分析,各个环节的中间结果(词频向量,tfidf向量等)也都会存放到本地。为了便于以后标注,各个类的中间结果也是按类别存储的。



2. 分类问题

在将文本向量化以后,就可以采用传统的分类方法了, 例如线性分类法,线性核的svm,rbf核的svm,神经网络分类等方法。我在这个分类器中尝试了前3种,都可以由sklearn库来完成

2.1 从gensim到sklearn的格式转换

一个很尴尬的问题是,gensim中的corpus数据格式,sklearn是无法识别的。即gensim中对向量的表示形式与sklearn要求的不符
在gensim中,向量是稀疏表示的。例如[(0,5),(6,3)] 意思就是说,该向量的第0个元素值为5,第6个元素值为3,其他为0.但是这种表示方式sklearn是无法识别的。sklearn的输入一般是与numpy或者scipy配套的。如果是密集矩阵,就需要输入numpy.array格式的; 如果是稀疏矩阵,则需要输入scipy.sparse.csr_matrix.由于后者可以转化成前者,而且gensim中向量本身就是稀疏表示,所以这边只讲如何将gensim中的corpus格式转化成csr_matrix.

去scipy的官网去找相关文档,可以看到csr_matrix的构造有如下几种方法。

技术分享

第一种是由现有的密集矩阵来构建稀疏矩阵,第二种不是很清楚,第三种构建一个空矩阵。第四种和第五种符合我们的要求。其中第四种最为直观,构建三个数组,分别存储每个元素的行,列和数值即可。
官网给出的示例代码如下,还是比较直观的。

row = np.array([0, 0, 1, 2, 2, 2])
col = np.array([0, 2, 2, 0, 1, 2])
data = http://www.mamicode.com/np.array([1, 2, 3, 4, 5, 6])
print(csr_matrix((data, (row, col)), shape=(3, 3)).toarray())
>>>array([[1, 0, 2],
         [0, 0, 3],
         [4, 5, 6]])

依样画葫芦,gensim转化到csr_matrix的程序可以写成

data = []
rows = []
cols = []
line_count = 0
for line in lsi_corpus_total:  # lsi_corpus_total 是之前由gensim生成的lsi向量
    for elem in line:
        rows.append(line_count)
        cols.append(elem[0])
        data.append(elem[1])
    line_count += 1
lsi_sparse_matrix = csr_matrix((data,(rows,cols))) # 稀疏向量
lsi_matrix = lsi_sparse_matrix.toarray()  # 密集向量

2.2 线性分类器

sklearn中,可以使用sklearn.linear_model.SGDClassifier来进行线性分类。

import numpy as np
from sklearn import linear_model

X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
Y = np.array([1, 1, 2, 2])
clf = linear_model.SGDClassifier()
clf.fit(X, Y)
print(clf.predict([[-0.8, -1]]))

在上面的例子中,X代表了训练集。上面的X是一个4*2的矩阵,代表训练集中含有4各样本,每个样本的维度是2维。而Y代表的是训练集中各样本所期望的分类结果。所以,回到文本分类的任务。假设在之前的lsi中向量维度为50,而训练集的规模是8.9W的话,我们应该输入一个8.9W*50的矩阵和一个长为8.9W的向量,代表各文本所属类别。

3. 具体实践和代码

所以在运行前,需要先修改存放数据集的位置path_doc_parent, 以及存放中间结果的位置path_tmp

path_root   = ‘/media/multiangle/F/DataSet/THUCNews‘ 
path_tmp    = path_root + ‘/tmp‘  # 存放中间结果的目录
path_doc_parent = os.path.join(path_root,‘THUCNewsTotal‘) # 存放文本数据集的目录
path_dict_folder = os.path.join(path_tmp, ‘THUNewsDict‘) # 存放词典的地方

将THUCTCNews文本集转化成lsi向量的完整代码如下:

import os
from gensim import corpora, models
import jieba
import re
from multiprocessing import Process,Queue
import time
import pickle as pkl

class loadFolders(object):
    def __init__(self,par_path):
        self.par_path = par_path
    def __iter__(self):
        for file in os.listdir(self.par_path):
            file_abspath = os.path.join(self.par_path, file)
            if os.path.isdir(file_abspath): # if file is a folder
                yield file_abspath

class loadFiles(object):
    def __init__(self,par_path):
        self.par_path = par_path
    def __iter__(self):
        folders = loadFolders(self.par_path)
        for folder in folders:              # level directory
            for file in os.listdir(folder):     # secondary directory
                file_path = os.path.join(folder,file)
                if os.path.isfile(file_path):
                    this_file = open(file_path,‘rb‘)
                    content = this_file.read().decode(‘utf8‘)
                    yield content
                    this_file.close()

def rm_char(text):
    text = re.sub(‘\u3000‘,‘‘,text)
    return text

def get_stop_words(path=‘/home/multiangle/coding/python/PyNLP/static/stop_words.txt‘):
    file = open(path,‘rb‘).read().decode(‘utf8‘).split(‘\n‘)
    return set(file)

def rm_tokens(words): # 去掉一些停用次和数字
    words_list = list(words)
    stop_words = get_stop_words()
    for i in range(words_list.__len__())[::-1]:
        if words_list[i] in stop_words: # 去除停用词
            words_list.pop(i)
        elif words_list[i].isdigit():
            words_list.pop(i)
    return words_list

def convert_doc_to_wordlist(str_doc,cut_all):
    sent_list = str_doc.split(‘\n‘)
    sent_list = map(rm_char, sent_list) # 去掉一些字符,例如\u3000
    word_2dlist = [rm_tokens(jieba.cut(part,cut_all=cut_all)) for part in sent_list] # 分词
    word_list = sum(word_2dlist,[])
    return word_list

def generate_dict_subprocess(id,
                             p_num,
                             dict_queue,
                             cut_all,
                             file_parent_path=‘/mnt/D/multiangle/DataSet/THUCNews‘
                             ):
    files = loadFiles(file_parent_path)
    dictionary = corpora.Dictionary()
    file_count = 0
    exe_count = 0
    for file in files:
        file_count += 1
        if file_count%p_num==id:
            exe_count += 1
            file = convert_doc_to_wordlist(file, cut_all)
            dictionary.add_documents([file])
            if exe_count%100==0:
                print(‘Process {i} has execute {c} at {t}‘.format(
                    c=exe_count,
                    t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime()),
                    i=id)
                )
                print(file[:min(file.__len__(),5)])
    dict_queue.put(dictionary)

def genDict(path_parent, path_dict_folder):
    # 第一次遍历,成立词典,获取词频,文频等信息
    p_pool = []
    dict_queue = Queue()
    p_num = 3
    for i in range(p_num):
        p = Process(target=generate_dict_subprocess,
                    args=(i,
                          p_num,
                          dict_queue,
                          cut_all,
                          # ‘/mnt/D/multiangle/DataSet/THUCNews‘
                          path_parent
                          ))
        p_pool.append(p)

    for p in p_pool: # 启动进程
        # p = Process(p)
        p.start()

    while True: # 检测是否全部完成
        if dict_queue.qsize() >= p_num:
            break
        time.sleep(1)

    dictionary = corpora.Dictionary()
    for i in range(p_num):
        q_dict = dict_queue.get()
        dictionary.merge_with(q_dict)

    for p in p_pool:
        p.terminate()

    dictionary.save(os.path.join(path_dict_folder,‘THUNews.dict‘))
    dictionary.save_as_text(os.path.join(path_dict_folder,‘THUNews.txt‘))

def convDoc2Vector(path_doc_parent,path_dict_folder,path_root,path_tmp):
    dictionary = corpora.Dictionary.load(os.path.join(path_dict_folder,‘THUNews_picked.dict‘))
    print(os.path.join(path_dict_folder,‘THUNews_picked.dict‘))
    for folder in loadFolders(path_doc_parent):
        folder_name = folder.split(‘/‘)[-1]
        print(folder_name)
        files = os.listdir(folder)
        cate_bow = []
        count = 0
        for file in files:
            count += 1
            if count%100 == 0 :
                print(‘{c} at {t}‘.format(c=count, t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime())))
            if count%10 > 0: # 抽样 n抽1
                continue
            file_path = os.path.join(folder,file)
            file = open(file_path,‘rb‘)
            doc = file.read().decode(‘utf8‘)
            word_list = convert_doc_to_wordlist(doc, cut_all)
            word_bow = dictionary.doc2bow(word_list)
            cate_bow.append(word_bow)
            file.close()

        tmp_path = os.path.join(path_tmp,‘bow_sampling‘)
        if not os.path.exists(tmp_path):
            os.mkdir(tmp_path)
        corpora.MmCorpus.serialize(tmp_path+‘/{x}.mm‘.format(x=folder_name),
                                   cate_bow,
                                   id2word=dictionary,
                                   # labels=folder_name
                                   )

if __name__==‘__main__‘:

    cut_all = True # 是否要把所有可能的单词都列出来? true 表示是 , false 表示否
    path_root   = ‘/media/multiangle/F/DataSet/THUCNews‘
    path_tmp    = path_root + ‘/tmp‘
    if not os.path.exists(path_tmp):
        os.mkdir(path_tmp)
    path_doc_parent = os.path.join(path_root,‘THUCNewsTotal‘)
    os.chdir(path_doc_parent)
    path_dict_folder = os.path.join(path_tmp, ‘THUNewsDict‘) # 存放词典的地方
    if not os.path.exists(path_dict_folder):
        os.mkdir(path_dict_folder)

    # # ===================================================================
    # # 第一次遍历,成立词典,获取词频,文频等信息
    genDict(path_doc_parent, path_dict_folder)

    # # ===================================================================
    # # 去掉词典中出现次数过少的
    dictionary = corpora.Dictionary.load(os.path.join(path_dict_folder, ‘THUNews.dict‘))
    small_freq_ids = [tokenid for tokenid, docfreq in dictionary.dfs.items() if docfreq < 5 ]
    dictionary.filter_tokens(small_freq_ids)
    dictionary.compactify()
    dictionary.save(os.path.join(path_dict_folder, ‘THUNews_picked.dict‘))

    # # ===================================================================
    # # 第二次遍历,开始将文档转化成id稀疏表示
    convDoc2Vector(path_doc_parent, path_dict_folder, path_root,path_tmp)

    # # ===================================================================
    # 第三次遍历,开始将文档转化成tf idf 表示
    dictionary = corpora.Dictionary.load(os.path.join(path_dict_folder,‘THUNews_picked.dict‘))
    bow_path = path_tmp + ‘/bow_sampling‘
    tfidf_path = path_tmp + ‘/tfidf_sampling‘
    if not os.path.exists(tfidf_path):
        os.mkdir(tfidf_path)
    files = os.listdir(bow_path)
    cate_set = set([x.split(‘.‘)[0] for x in files])
    for cat in cate_set:
        path = ‘{pp}/{cat}.mm‘.format(pp=bow_path, cat=cat)
        corpus = corpora.MmCorpus(path)
        tfidf_model = models.TfidfModel(corpus=corpus,
                                        dictionary=dictionary)

        tfidf_file = open(path_tmp+‘/tfidf_model.pkl‘,‘wb‘)
        pkl.dump(tfidf_model, tfidf_file)
        tfidf_file.close()

        corpus_tfidf = [tfidf_model[doc] for doc in corpus]
        corpora.MmCorpus.serialize(‘{f}/{c}.mm‘.format(f=tfidf_path,c=cat),
                                   corpus_tfidf,
                                   id2word=dictionary
                                   )
        print(‘{f}/{c}.mm‘.format(f=tfidf_path,c=cat))

    # # ===================================================================
    # # 第四次遍历,计算lsi
    dictionary  = corpora.Dictionary.load(os.path.join(path_dict_folder,‘THUNews_picked.dict‘))
    tfidf_path  = path_tmp + ‘/tfidf_sampling‘
    lsi_path    = path_tmp + ‘/lsi_sampling‘
    if not os.path.exists(lsi_path):
        os.mkdir(lsi_path)
    files = os.listdir(tfidf_path)
    cate_list = list(set([x.split(‘.‘)[0] for x in files]))
    doc_num_list = []
    tfidf_corpus_total = None
    for cat in cate_list:
        path = ‘{pp}/{cat}.mm‘.format(pp=tfidf_path, cat=cat)
        corpus = corpora.MmCorpus(path)
        doc_num_list.append(corpus.num_docs)
        if not tfidf_corpus_total:
            tfidf_corpus_total = [x for x in corpus]
        else:
            tfidf_corpus_total += [x for x in corpus]
        print(‘category {c} loaded,len {l} at {t}‘
              .format(c=cat,l=corpus.num_docs,t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime())))

    lsi_model = models.LsiModel(corpus = tfidf_corpus_total, id2word = dictionary, num_topics=50)
    lsi_file = open(path_tmp+‘/lsi_model.pkl‘,‘wb‘)
    pkl.dump(lsi_model, lsi_file)
    lsi_file.close()

    print(‘lsi model is generated at {t}‘.format(t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime())))
    del tfidf_corpus_total  # 总共的tfidf corpus已经用完,释放变量空间
    for cat in cate_list:
        path = ‘{pp}/{cat}.mm‘.format(pp=tfidf_path, cat=cat)
        corpus = corpora.MmCorpus(path)
        corpus_lsi = [lsi_model[doc] for doc in corpus]
        corpora.MmCorpus.serialize(‘{f}/{c}.mm‘.format(f=lsi_path,c=cat),
                                   corpus_lsi,
                                   id2word=dictionary
                                   )
        print(‘category {c} generate lsi vector, at {t}‘
              .format(c=cat,t=time.strftime(‘%Y-%m-%d %H:%M:%S‘,time.localtime())))
<script type="text/javascript"> $(function () { $(‘pre.prettyprint code‘).each(function () { var lines = $(this).text().split(‘\n‘).length; var $numbering = $(‘
    ‘).addClass(‘pre-numbering‘).hide(); $(this).addClass(‘has-numbering‘).parent().append($numbering); for (i = 1; i <= lines; i++) { $numbering.append($(‘
  • ‘).text(i)); }; $numbering.fadeIn(1700); }); }); </script>

    使用gensim和sklearn搭建一个文本分类器(一):文档向量化