R语言自然语言处理：文本分类

作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

这次希望尝试用简单的技术（TF-IDF和相似度矩阵）做一次实践，即文档分类。

任务定义：对于任意给定的一个字符串，判断它与目前哪个文档最为相似，从而进行归类。首先要对当前的文档（数据见github.com/hope-data-sc）做词嵌入（就用最简单的TF-IDF模型），然后对于任意的新字符串，进行向量化之后，与先前的标准库做相似性的分析，看看与哪个文档相似性最近，就属于哪一个类别。

1 读入文件

library(pacman)p_load(tidyverse,data.table)

fread("classification_corpus_raw.csv",encoding = "UTF-8") %>%   as_tibble() %>%   mutate(id = 1:n())-> raw

这样，文件就在raw中了。

2 计算TF-IDF

这一部分参考HopeR：R语言自然语言处理：关键词提取（TF-IDF），先进行分词，然后对所有的词计算TF-IDF。

## 快速分词p_load(jiebaR)worker() -> wk

raw %>%   mutate(words = map(title,segment,jieba = wk)) %>%   select(id,words) -> corpus 

## 计算TF-IDFcorpus %>%   unnest() %>%   count(id,words) %>%   bind_tf_idf(term = words,document = id,n = n) -> corpus_tf_idf

仔细看，这个文档现在究竟有多少个词语呢？

corpus_tf_idf %>% distinct(words)

# A tibble: 1,510 x 1   words      <chr>    1 百年     2 办公室   3 筹备工作 4 校庆     5 保卫部   6 处       7 安全     8 管理     9 生产    10 保密    # ... with 1,500 more rows

一共1510个，不多，因此我决定不进行筛选了。本来常规套路要把这个TF-IDF的矩阵变为一个文档-词语矩阵（Document Term Matrix,DTM）。但是既然走了tidy的路线，我突然认为那是一个多余的步骤，做了一个高维稀疏的矩阵效率异常低，而进行连接（join）的速度可谓异常地快。

下面我要写一个函数，它要完成一个这样的任务：对于任意给定的字符串，求这个字符串与当前所有文档的相似性，然后筛选出相似性最高的n个文档，显示出来。

虽然不需要构造矩阵，但是我还是要构造一个类似的数据框。

corpus_tf_idf %>%   select(id,tf_idf) -> for_future_use

3 举例尝试

先假设给定的字符串为“大数据学院”，我们看看是否能够找到合理的相似文档。我们首先要明确，什么叫做相似？定义：1、字符串中包含相同的组分（相同的分词结果）；2、当包含组分数量一致的时候，如果包含重要表征组分，其得分更高（举例说明：我们给定的字符串是“物理学院”，分词之后是“物理”和“学院”，但是“物理”这个词能够表征的程度更高，因此它会得到更高的得分，这个得分在我们的模型中是以TF-IDF的形式存在的）。

下面我们给出代码：

string = "大数据学院"

string %>%   segment(jiebar = wk) %>%   enframe() %>%   transmute(words = value) -> string_table

for_future_use %>%   inner_join(string_table) %>%   group_by(id) %>%   summarise(score = sum(tf_idf)) %>%   arrange(desc(score)) -> sort_table

sort_table %>%   slice(1:5) %>%   inner_join(raw,by = "id")

# A tibble: 5 x 3     id score title         <int> <dbl> <chr>       1    58  4.70 大数据学院  2    57  2.86 大数据研究院3   109  1.84 高级律师学院4   436  1.84 公共卫生学院5   479  1.84 管理学院

我们可以看到，“大数据学院”被正确地筛选出来，而排名第二的是“大数据研究院”，因为“大数据”作为一个比“学院”拥有更高TF-IDF的关键词，更能够表征“大数据”这个特征。其他3个选项得分其实是一样的，它们都因为有“学院”而被筛选出来，但是没有匹配更多更有价值的词语了。现在我们就可以正式对函数进行构造：

get_sim = function(string){  string %>%     segment(jiebar = wk) %>%     enframe() %>%     transmute(words = value) -> string_table

  for_future_use %>%     inner_join(string_table,by = "words") %>%     group_by(id) %>%     summarise(score = sum(tf_idf)) %>%     arrange(desc(score)) -> sort_table

  sort_table %>%     slice(1:3) %>%     inner_join(raw,by = "id") -> result

  ifelse(nrow(result) == 0,         NA,         result %>%            pull(title) %>%           str_c(collapse = ","))}

这个函数能够对任意的字符串进行识别，如果没有任何识别，就返回NA；如果识别到了，最多返回匹配度最高的3个分类，分类之间以“,”分隔（注意是英文的逗号，这个可以根据自己的洗好更改）。我们用两个例子看看结果如何：

get_sim("稀奇古怪")[1] NA

get_sim("大数据")[1] "大数据研究院,大数据学院,大数据试验场研究院（筹）"

显然，这个函数是有效的。

——————————————

往期精彩：

今天，我改名了！
大碗宽面 VS 律师函警告，情感分析吴亦凡自黑式圈粉！
精选| 2019年3月R新包推荐