sohu_news搜狐新闻类型分类

数据获取

• 数据是从搜狐新闻开放的新闻xml数据，经过一系列的处理之后，生成的一个excel文件
• 该xml文件的处理有单独的处理过程，就是用pandas处理，该过程在此省略

import numpy as np
import pandas as pd

• 读取新闻文本文件，查看文本的长度

df=pd.read_excel('sohu_data.xlsx')
df['length']=df['content'].apply(lambda x: len(x)).values

• 去掉长度小于50的文本

df_data = df[df['length']>=50][['content','category']]

• 查看新闻类型的分布，共9类

df_data['category'].value_counts()
# 可以看到这里面存在类别不平衡，最大的差距有17倍。

health      30929
news        27613
auto        22841
stock       18152
it          13875
yule        13785
women        4667
book         4411
business     1769
Name: category, dtype: int64

• 使用sklearn中的处理模块的labelEncoder方法对类标进行处理

from sklearn.preprocessing import LabelEncoder
class_le=LabelEncoder()
class_le.fit(np.unique(df['category'].values)
print(list(class_le.classes_))
y=class_le.transform(df['category'].values)

# 查看前20个新闻样本的类别
y[:20]

['auto', 'book', 'business', 'health', 'it', 'news', 'stock', 'women', 'yule']
array([7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7], dtype=int64)

• 导入jieba，进行分词

import jieba
def chinese_word_cut(mytext):
    return " ".join(jieba.cut(mytext))
X=pd.DataFrame()
X['cut_content']=df["content"].apply(chinese_word_cut)
X['cut_content'].head()

Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\HUANG_~1\AppData\Local\Temp\jieba.cache
Loading model cost 0.966 seconds.
Prefix dict has been built succesfully.

1    产品名称 ：  规格 及 价格 ： ３ ０ ｍ ｌ ／ ３ ０ ０ 　 元  羽西 当归...
2    常见问题  Ｑ ： 为什么 我 提交 不了 试用 申请 　 Ａ ： 试用 申请 必须 同时...
3    产品名称 ： 肌醇 （ Ｐ ｕ ｒ ｅ 　 Ｓ ｋ ｉ ｎ ） 深层 卸妆 凝胶  规格 ...
4    欧诗漫 的 试用装 终于 延期 而 至 ， 果然 不负 所望 ， 包装 很 精美 。 从 快...
5    试用 申请 步骤  １ 注册 并 完善 个人资料 　 登入 搜狐 试用 频道 ， 填写 并...
Name: cut_content, dtype: object

• 使用词袋模型进行文本处理，去除停用词，去除数字特征，使用朴素贝叶斯进行分类

from sklearn.model_selection import  train_test_split
X_train,X_test,y_train,y_test= train_test_split(X,y,random_state=42,test_size=0.25)
def get_custom_stopwords(stop_words_file):
    with open(stop_words_file,encoding="utf-8") as f:
        custom_stopwords_list=[i.strip() for i in f.readlines()]
    return custom_stopwords_list
stop_words_file = "stopwords.txt"
stopwords = get_custom_stopwords(stop_words_file) # 获取停用词
from sklearn.feature_extraction.text import  CountVectorizer
vect = CountVectorizer(token_pattern=u'(?u)\\b[^\\d\\W]\\w+\\b',stop_words=frozenset(stopwords))
from sklearn.naive_bayes import MultinomialNB
nb=MultinomialNB()
from sklearn.pipeline import make_pipeline
pipe=make_pipeline(vect,nb)
pipe.fit(X_train.cut_content, y_train)
y_pred = pipe.predict(X_test.cut_content)
from sklearn import  metrics
print(metrics.accuracy_score(y_test,y_pred))
metrics.confusion_matrix(y_test,y_pred)

0.897216216938

array([[6266,  163,    2,  249,    5,  345,   66,   74,   53],
       [   5, 1118,    0,    0,    0,   31,    2,    5,   37],
       [   8,    4,   15,    0,    0,  104,  329,    5,    3],
       [   4,    1,    0, 8230,    0,   64,    6,    1,    0],
       [  59,   29,    0,   10, 3672,   66,   29,   26,   45],
       [  72,   71,    6,   26,    1, 5683,  756,   60,  193],
       [  28,    0,   10,    0,    0,  381, 4275,    0,    2],
       [   9,   90,    0,    5,    1,   74,    5,  890,  132],
       [   2,   38,    1,    2,    0,   44,    1,   11, 3467]], dtype=int64)

• 可以看到朴素贝叶斯对该测试集的正确率达到了接近90%

• 对训练集进行评估，正确率91%

y_pred = pipe.predict(X_train.cut_content)
from sklearn import  metrics
print(metrics.accuracy_score(y_train,y_pred))

0.913158362989

from sklearn.linear_model import LogisticRegression

• 随后我们使用逻辑回归模型进行拟合模型并对测试集进行预测，测试集准确率达到94%

lr=LogisticRegression()
from sklearn.pipeline import make_pipeline
pipe=make_pipeline(vect,lr)
pipe.fit(X_train.cut_content, y_train)
y_pred = pipe.predict(X_test.cut_content)
from sklearn import  metrics
print(metrics.accuracy_score(y_test,y_pred))
metrics.confusion_matrix(y_test,y_pred)

0.944644620599

array([[7079,    3,    3,    5,   19,   62,   27,   10,   15],
       [  43, 1131,    1,    0,    3,    3,    4,    6,    7],
       [  16,    0,   36,    1,    1,  106,  296,    7,    5],
       [   7,    0,    0, 8298,    0,    1,    0,    0,    0],
       [  48,    1,    0,    0, 3870,    9,    2,    1,    5],
       [  60,   12,   22,   14,    9, 6453,  218,   35,   45],
       [  36,    1,  140,    0,    7,  415, 4090,    3,    4],
       [  48,   28,    1,    1,   10,   54,    6, 1008,   50],
       [  44,   12,    0,    1,   10,   38,    4,   29, 3428]], dtype=int64)

from sklearn.tree import DecisionTreeClassifier
tree=DecisionTreeClassifier(criterion='entropy',random_state=1)
from sklearn.ensemble import BaggingClassifier
bag=BaggingClassifier(base_estimator=tree,
                     n_estimators=10,
                     max_samples=1.0,
                     max_features=1.0,
                     bootstrap=True,
                     bootstrap_features=False,
                     n_jobs=4,random_state=1)
pipe=make_pipeline(vect,bag)
pipe.fit(X_train.cut_content, y_train)
y_pred = pipe.predict(X_test.cut_content)
metrics.accuracy_score(y_test,y_pred)

• 使用bagging的方法将决策树进行ensemble，得到的准确率比逻辑回归低了1%
  
  0.9294045426642111
• 通过对混淆矩阵进行分析，我们发现对第三类，也就是business类的误分类较多，后续需要改进的模型
  • 可以使用td-idf进行文本特征处理
  • word2vector与深度学习的方式进行结合，测试文本分类效果
  • LSTM
  • embedding
  • 其他NLP 方法