自然语言处理（NLP）—分词-

文章目录

一、自然语言处理
- 1.1 分词简介
- 1.2 分词算法：三大类
- 1.3 词特征表示 (Bag of Words----Word2Vec)
- 1.4 分类算法
二、文本分词
- 2.1 Jieba分词
- 2.2 词袋模型（Bag of Words）
- 2.3 TF-IDF（词频-逆文档频率）
三、文本表达方式( one_hot编码—word2vec)
四、分类与评估

开发环境`jupyter notebook`

一、自然语言处理

1.1 分词简介

自动文本分类：给定分类体系，将文本划分到某一个或者某几个类别中

分类模式：: 二分类模式，属于或不属于（binary）
多分类模式，有多个分类，属于其中某一个分类（multi-class）
可拆分成多个二分类问题
多标签问题，一个文本可以属于多个类别（multi-label）

文本分类的应用

垃圾邮件的判定：垃圾邮件、非垃圾邮件
新闻频道分类（案例）：经济、体育、娱乐、政治
词性标注：动词、名词、形容词
情感识别：正向评论、负向评论

1.2 分词算法：三大类

基于词典、词库匹配的方法：正向（逆向）最大匹配
基于规则、知识理解的方法：短语结构、文法
基于统计、机器学习的分词方法：隐马尔科夫、最大熵模型、条件随机场

1.3 词特征表示 (Bag of Words----Word2Vec)

词袋模型（Bag of Words）: 从语料库中使用一些方法选择一堆词作为文本的特征（通常用TF-IDF）
所有文章都只保留这些被选中的词
维数很大，数据很稀疏
词嵌入模型（Word2Vec）: 把文章的词映射到一个固定长度的连续向量
维数较小，通常为100 ~ 500
意义相近的词之间的向量距离较小

1.4 分类算法

使用一般分类问题的分类算法即可：
如：朴素贝叶斯；逻辑回归；支持向量机（SVM）；决策树

二、文本分词

基于搜狐的新闻的数据，训练一个新闻频道的分类器，可以对新闻进行自动分类
数据详情：12个频道（汽车、财经、文化、健康、房地产、科技、教育、新闻、体育、旅游、女人、娱乐）
每个频道2000篇文章做训练数据，1000篇为测试数据。

2.1 Jieba分词

项目地址：https://github.com/fxsjy/jieba
安装方法：pip install jieba

主要功能: 分词：三种分词模式（精确模式、全模式、搜索引擎模式）
支持自定义词典
基于TF-IDF算法的关键词提取
词性标注
并行分词（不支持windows）

2.2 词袋模型（Bag of Words）

忽略文本的语法和语序等要素，仅仅将其看成是若干个词汇的集合，每个词的出现都是独立的。

词袋模型的问题：不同词语的重要性没有区别，但实际上不同词语提供的信息量不同

2.3 TF-IDF（词频-逆文档频率）

TF-IDF：全称Term Frequency-Inverse Document Frequency

TF（词频）
词语在一篇文章中出现的次数，出现的次数越多表示这个词对这篇文章越重要
通常需要归一化，以防止它偏向于长文章
T F w , d = 词 w 在文章 d 中出现的次数文章 d 中词的总数 TF_{w,d}=\frac{词~w~在文章~d~中出现的次数}{文章~d~中词的总数} TFw,d=文章 d 中词的总数词 w 在文章 d 中出现的次数
IDF（逆文档频率）
如果在所有的语料中，包含某个词语的文章数越多，那么这个词语的区分度就越低，重要长度也就越低
I D F w = log ⁡ ( 语料库的文档总数包含词语 w 的文章数 + 1 ⁡ ) IDF_w=\log(\frac{语料库的文档总数}{包含词语~w~的文章数+1}⁡) IDFw=log(包含词语 w 的文章数+1语料库的文档总数⁡)

实际通常使用 I D F w = log ⁡ ⁡ ( 语料库的文档总数 + 1 包含词语 w 的文章数 + 1 ) + 1 实际通常使用IDF_w=\log⁡(\frac{语料库的文档总数+1}{包含词语~w~的文章数+1})+1 实际通常使用IDFw=log⁡(包含词语 w 的文章数+1语料库的文档总数+1)+1

通常，我们需要过滤掉IDF过低和过高的词语
在词袋模型中，我们可以使用TF×IDF作为每个词的权重

三、文本表达方式( one_hot编码—word2vec)

为了让计算机能够处理文本，我们需要一些方法把文本编码为数字

one-hot 编码：最简单的编码方式是把每个词都表示成一个长向量，向量的长度为词表的大小（还有其他编码方式，比如：哑变量编码）
只有这个词对应位置上为1，其余都为0。
不足：无法表示词和词之间的关系
word2vec：把词表示为一个低维向量
基于“具有相似上下文的词，应该具有相似的语义”，这种方式称为分布式表达（Distributed Representation）
每一维表示词语的一个潜在特征，每一维的取值都是连续的
优点：可以使用空间距离或者余弦夹角来表示词和词之间的相似性
word2vec 通过预测一个长度为c的窗口内每个词周边词语的概率，来作为这个词的词向量。包含两个神经网络模型：
- CBOW（Continuous Bag of Words）(词袋模型)
  利用词的上下文预测当前的词
- Skip-gram
  利用当前的词来预测上下文
通过Google开源的工具包gensim实现
安装方法：conda install gensim
使用 gensim.models.Word2Vec 训练word2vec模型

参数与详解文档：

Word2vec和Doc2vec原理：https://blog.csdn.net/mpk_no1/article/details/72458003
Word2vec分布式表达：(NPLM；word2vec（CBOW/Skip-gram）
https://www.cnblogs.com/Determined22/p/5780305.html
https://www.cnblogs.com/Determined22/p/5804455.html

四、分类与评估

训练分类器 --文本分类这样一个分类任务，可以使用大部分通用分类模型
朴素贝叶斯
逻辑回归
支持向量机（SVM）
决策树
模型效果评估
评估模型效果应该在测试集上进行（而不是在训练集）
混淆矩阵（Confusion Matrix）
常用的评估标准有
查全率（Recall）
正确预测为某个类别的文章数 / 这个类别的实际文章数 * 100%
查准率（Precision）
正确预测为某个类别的文章数 / 预测为这个类别的文章数 * 100%
F1值，查全率和查准率的调和均值
2 x Precision x Recall / (Precision + Recall)
F β F_\beta Fβ值： F β = ( 1 + β 2 ) ∙ ( P r e c i s i o n x R e c a l l ) β 2 ∙ P r e c i s i o n + R e c a l l ， β > 1 ~~F_\beta=(1+\beta^2 )∙\frac{(PrecisionxRecall)}{\beta^2∙Precision+Recall}，~~~\beta>1 Fβ=(1+β2)∙β2∙Precision+Recall(PrecisionxRecall)， β>1时，Recall更重要
模型持久化
Python中，我们可以使用pickle，把分类器序列化成二进制文件
在另一环境中加载这个文件，进行分类