NLP-文本分类

对象

数据

大数据采集

1. 短文本

   1. 句子

   2. 标题

   3. 商品评论

2. 长文本

   1. 文章

标签类别

一般是人工划分（二分类或多分类）

1. 政治、体育、军事

2. 正能量、负能量

3. 好评、差评

流程

1. 获取训练集

   1. 爬虫

   2. 离线数据

   3. 流计算

2. 特征工程

   1. 预处理

      1. 清洗

         1. 非文本数据：HTML标签、URL地址等

         2. 长串数字或字母：看特定的业务场景而定

            1. 一般可去除：手机号、用户名ID等内容

            2. 转换为归一化的特征：

               1. 是否出现长串的布尔值特征：HAS_LONG_DIGITAL

               2. 按长度归一的特征：DIGITAL_LEN_10

         3. 无意义文本：按业务场景定哪些文本是不需要被模型学习的

         4. 变形词识别：特殊符号替换、同音近型替换、简繁替换等

            1. 通过映射表

            2. 拼音首字母来鉴别同音替换

            3. 用Word2vec词向量来对比变形词与上下文的语意关联度，从而识别出该词是否经过了变形

      2. 去停用词和标点符号：代词、介词、连接词

         1. 需根据不同情景，做针对性调整

   2. 特征提取

      1. 分词

         1. 中文

            1. 基于字符串匹配

               1. 这是一种基于词典的中文分词，核心是首先建立统一的词典表，当需要对一个句子进行分词时，首先将句子拆分成多个部分，将每一个部分与字典一一对应，如果该词语在词典中，分词成功，否则继续拆分匹配直到成功

               2. 优点是速度快，时间复杂度可以保持在O（n）,实现简单，效果尚可；但对歧义和未登录词处理效果不佳

            2. 基于理解的分词：句法、语义分析

            3. 基于统计的分词

               1. 统计学认为分词是一个概率最大化问题，即拆分句子，基于语料库，统计相邻的字组成的词语出现的概率，相邻的词出现的次数多，就出现的概率大，按照概率值进行分词，所以一个完整的语料库很重要

               2. N元文法模型（N-gram），隐马尔可夫模型（Hidden Markov Model ，HMM），最大熵模型（ME），条件随机场模型（Conditional Random Fields，CRF）

         2. 英文：空格和标点符号来分词

      2. 二元语法：将相邻字符作为二元语法输出（根据清华大学2016年的工作：THUCTC: An Efficient Chinese Text Classifier）

   3. 特征组合与分桶标记(下文采用的文本例句：“小明去学校上自习”)

      1. 特征组合：将文本按一定长度阈值划分为两类（长文本的长度大于20，否则为短文本），如，“长文本小明”、“短文本学校”，通过组合特征使得模型从非线性的角度进行分类

      2. 分桶标记：采用不同的特征方法，如“skipgram:小明_学校”、“wordseg:小明”

   4. 特征选择（sklearn在文本分类任务中进行特征选择）

      1. 卡方检验：自变量对因变量的相关性。适用于稀疏数据

         1. 卡方值

         2. 自由度

         3. 置信度

      2. 方差域（VarianceThreshold）：是一个简单的用于特征提取的baseline方法。它将移除所有variance不满足一些阀值的特征。缺省情况下，它会移除所有0-variance的特征（表示该feature下具有相同值）

   5. 文本表示

      1. 词袋：忽略其词序和语法，句法，将文本仅仅看做是一个词集合。若词集合共有NN个词，每个文本表示为一个NN维向量，元素为0/1，表示该文本是否包含对应的词。( 0, 0, 0, 0, .... , 1, ... 0, 0, 0, 0)

      2. n-gram词袋：与词袋模型类似，考虑了局部的顺序信息，但是向量的维度过大，基本不采用。如果词集合大小为N，则bi-gram的单词总数为N2向量空间模型。

      3. skip-gram词袋：有别于word2vec中获得词向量的skip-gram模型，这里中的skip-gram模型表示的是一种衍生自n-gram模型的语言模型。对于例句“小明去学校上自习”，常用的1-skip-bi-gram得到的特征为{“小明学校”，“去上”，“学校_自习”}。一般情况下，skip-gram可以做为n-gram的补充，从而提取一些可能遗漏的有效特征。

      4. 向量空间模型：以词袋模型为基础，向量空间模型通过特征选择降低维度，通过特征权重计算增加稠密性。

      5. 特征权重计算

         1. 布尔权重：若出现则为1，否则为0，也就是词袋模型

         2. TFIDF则是基于词频来进行定义权重

         3. 基于熵的则是将出现在同一文档的特征赋予较高的权重

3. 构造分类器（模型）

   1. 传统机器学习

      1. NavieBayes

      2. KNN

      3. 决策树

      4. SVM

      5. GBDT / XGBOOST

   2. 深度学习

      1. FastText

      2. TextCNN

      3. TextRNN

      4. RCNN

      5. BERT

   3. 混合（深度学习）：深度学习模型之间的混合，如cnn+lstm、lstm+attention

4. 分类

评估

1. accuracy和error rate

   1. acc是准确率，指正确预测的样本数与所有测试样本数的比率

   2. acc + err = 1

2. precision/recall/F1

   1. 通过混淆矩阵计算得出：P为Positive，N为Negative

      1. 4种组合

         1. TP（true positive）：预测为P，答案是P

         2. FP（false positive）：预测是P，答案是N

         3. TN（true negative）：预测是N，答案是N

         4. FN（false negative）：预测是N，答案是P

      2. 样本全集 = TP U FP U FN U TN (U为"并集运算符")

      3. 任何一个样本属于且只属于4个集合中的一个，即它们没有交集

   2. precision是精确率，指预测结果中正类数量占全部结果的比率：P = TP / (TP + FP)

   3. recall是召回率，指正类被找出来的比率：R = TP / (TP + FN)

   4. F1：指精确率和召回率的调和平均值：F1 = 2 x P x R / (P + R)

      1. 一般而言，精确率和召回率比较难平衡，召回率高的系统往往精确率低，反之亦然

3. exact match（EM）

4. mean reciprocal rank（MRR）

应用

1. 垃圾邮件/广告过滤/反黄识别

2. 根据标题为图文视频打标签

3. 根据用户阅读内容建立画像标签

4. 电商商品评论分析

5. 自动问答（QA）

6. 情感分类

7. 自然语言推理

8. 阅读理解

问题

基于规则（句法、语义分析）

1. 人力：人为借助经验定义规则

2. 维护性

   1. 规则变更需要人工重新总结

   2. 规则太多容易产生冲突

3. 扩展性：依赖业务场景，难以迁移

传统机器学习

1. 人工指定特征，特征工程耦合业务场景，难以泛化到其他场景

深度学习

1. 复杂的场景下，缺乏数据集，可以试试Google Dataset Search

2. 对知识进行建模：需要对文本信息中的知识进行建模，如构建知识库、知识图谱，并基于这些知识进行分析及推理

3. 可解释性不强

4. 更小、更高效的模型：针对BERT来说。前段时间Google发布了预训练小模型ALBERT

5. 小样本学习：当前深度学习的模型太依赖大量的标注数据

参考

1. 文本分类算法综述

2. 深度学习文本分类综述

3. 中文文本分类：你需要了解的10项关键内容

4. 结合日常生活的例子，了解什么是卡方检验

5. 用可视化思维解读统计自由度

6. 新闻上的文本分类：机器学习大乱斗

7. 《自然语言处理入门》——何唅