文本分类的常见方法

文本分类的过程：

（1） 选择训练文本。好的训练文本对分类器的最终结果起到至关重要的作用。 （2） 选择文本特征。 对训练样本和测试样本进行数据预处理，包括分词、去停用词、 消除噪音等。目前的文本分类研究，主要选取一些具有代表性的词、词组、短语来表示文本。

（3） 建立文本表示模型。 为了便于计算机理解和计算相关的文本属性，需要对文本 进行表示，其中向量空间模型(Vector Space Model VSM)运用最为广泛。

（4） 选择分类方法。 文本分类的核心部分，不同的分类方法原理不同需要处理的数 据也不同。经典分类算法有朴素贝叶斯(Naive Bayes NB)、K-近邻(K-Nearest Neighbor KNN)、决策树(Decision Tree DTree)、算数平均质心(Arithmetical Average Centroid AAC)、支持向量机(Support Vector Machine SVM)。

（5） 分类结果的评估。 目前主流的评估标准准确率、召回率和F1值。

选择文本特征

我们需要将文档转换为计算机可以衡量、运算的形式。现在运用最广泛的形式：将文档映射入向量空间。具体流程如图1。

这样就将一篇文章映射成了为了向量空间中的一个向量。在把文章都映射完成后，我们可以根据自己不同的需求，在向量空间中进行运算。比如计算两篇文章的相似度：我们把向量的起点都映射到原点，则我们可以比较向量的长度、向量的夹角、向量两个终点的距离等等；我们还可以宏观的观察大量的向量在向量空间中的分布情况，对大量聚集在一起的向量抽取它们的共性：计算他们的中心、他们整体的方向等。其实数学模型很好，只不过限于计算机的存储、运算水平，向量空间的维度过高、文档数量过大、计算复杂度过高会使得模型的计算机实现变得困难，我们不得不进行简化：向量空间维度降低、较低复杂度的计算分析方法等等。而根据简化的合理程度，影响我们得到的结果质量。

向量空间的降维则需要进行特征项的筛选：筛选方法有五种：文档频率、信息增益、期望交叉熵、互信息、开放检验。就好像在软件开发阶段越早引入缺陷后期的Bug数量越多一样，上游的污染源造成的危害要大得多。如果我们要对数据源进行筛选，则筛选的规则一定要是非常严谨合理的，正确的数据合理的算法才有可能得到好的结果。

文档频率Document Frequence特征在特征集中出现的文档数目过多，则不能很好的区分不同的类别；特征在特征集中出现的文档数目过少，则它不具备很好的代表性。我们统计单词的出现频率，将频率过高和过低的词语过滤掉。

信息增益

其中c表示文档类别t表示特征项，描述的是在特征项t的前提下确定文档属于c的概率，表征的是该文档使用特征项t来区分类别c的能力。（其实三项加和的首项不太明白什

么意思，而且在特征项的筛选阶段，即尚未计算分类的情况下文档类别c是怎么回事？）这里首项表示整个事件的信息量，也可以认为它表示整个事件的未知程度，或者叫做消除整个事件的位置性，需要的信息量，比如该事件有8种等可能的情况，则我们要确定该事件具体出现哪种情况，则需要3的信息量；而若有两种等可能的情况，则要1的信息量。感性来讲，2猜1，要比8猜1容易的多。

具体到公式，后边的对数部分表示信息的量化过程，说的是比如我们要表示两个数，需要一位，而要表示八个数，需要3位；因为对数函数在0~正无穷是递增函数，但在0~1

之间函数值为负数，所以我们添加负号将值映射到> 0区间。

这里互信息，表示知道某些条件之后，事情的不确定性降低的程度。衡量的是情报的优劣。举个简单的例子，这就好像我们玩竞猜游戏，随着主持人对某件事情描述信息的增多，我们渐渐可以准确判断某件事情，而主持人的描述信息中有些很关键，有些则相对平淡，这里主持人的关键描述的互信息就比较高：因为可以很大程度消除事物的不确定性。

这里信息增益考虑的比较全面，它考虑了条件t发生和没有发生对整个事件的影响状况，分为两部分，第一部分为条件t发生时，对整个事件的熵的影响；第二部分为确定条件t不发生时，整个事件的熵。首先是让t发生之后，计算在t的条件下能够推断属于类别ci的概率。这里具体到文本分类则为，特征项t的出现与否，在t出现后确定这篇文章属于类别c

的概率是多少。就是看t的出现对该文档属于哪一个类别的判定出现了哪些影响；并且信息增益不仅考虑可相关情况，也考虑了负相关的状况，在t确定不出现时，它对该文档的类别判定又能起到什么效果。这样综合考量t的效果。不过这里也有个问题就P(t)表示特征项的出现与否可能并不合适，这里我们可以设置阈值，具体计算出现> 某个次数我们认为它表示出现。

至于特征项筛选中多次提到的类别c我们认为这是训练样本已知的，即有监督的分类，我们将事先分类好的样本来训练分类器，期望能够训练出好的分类器。

期望交叉熵

表示已知文档中出现了t 特征，则能确定该文档为类别c 的概率。我们能看到公式与t 条件下为类别c 的条件概率成正比，与无已知条件，文档为类别c 的概率成反比。简单来说就是，如果公式的计算值很大，则特征t 信息量很大，能够帮助我们确定该文档属于类别c 这种小概率事件。（很大、

很小，公式取到较大值）

互信息

类别c 的文档集合出现特征t 的文档集合

类别C 的文档集合出现特征t 的文档集合

A B

C B

C A

两个圆我们可以把它看作两个集合，分别为类别c 的文档集合以及出现特征t 的文档集合，则公式中的A 、B 、C 可以用两圆相交形成的三部分表示。可见两者相交部分越多A 越大，公式的分子越大，分母越小，函数值越大。即文档c 和类别t 的关联程度高。

开放检验

两个圆和上边的含义相同，分成的四个集合分别为A 、B 、C 、D 。强调的是特征的负相关特性，即表示出现特征t 时，不属于类别c 的概率较大。

开放检验与信息增益相同，都是考虑了事物的两个方面。这里我们举例来阐述公式的由来。

A B

C D

这里我们假设考虑词汇“篮球”和体育类新闻的关系，其中： A 表示体育类新闻中出现篮球的新闻集合； B 表示体育类中没有出现篮球的集合； C 表示出现词汇篮球但是非体育类的集合； D 表示非体育类新闻未出现篮球的集合。 A+B 表示体育类总数；