使用机器学习算法打造一个简单的“微博指数”

前言

随着人工智能的大热，越来越多的小伙伴们开始投身到机器学习的大潮中。作为其中的一员，我对此也是极有兴趣的。当然我更感兴趣的，是怎么利用这些有趣的算法，来实现脑海里各种奇奇怪怪的点子。写这篇文章的契机，是我在某天看完腾讯指数的推送后，突发奇想，想自己实现类似这样的一个东西，感觉蛮好玩的。然后就在上周末，利用了一些空余时间，写了一个简单的舆情监控系统。

思路

基于机器学习的舆情监控，这样的一个想法，其实可以有很大的想象空间，可以做很多有意思的事情。比如可以关注你喜欢的明星或电影的口碑情况，或者了解你所关注股票的舆论变化，甚至预测其未来的走向等等。但我决定先从最简单的例子入手：就是从新浪微博中，识别出关于腾讯的正面或负面的新闻。本文的论述也将围绕这个场景展开，不会涉及太多复杂难懂的东西，可以说是很简单的一个东西，请放心阅读。

技术上的实现，主要是用sklearn对采集到的微博文本做分类训练，关于sklearn就不需要介绍了，很有名的一个python机器学习工具，如果想详细地了解可以移步它的官网：http://scikit-learn.org。

下面是我们接下来需要做的所有工作：

[1507857257528_2384_1507857227542.png]

环境

机器：mac

语言：python

第三方库：sklearn、jieba、pyquery 等

数据采集

数据采集是对我来说是最好做的一步，其实就是写爬虫从各大网站收集大量的信息，存起来，以便我们后续分析处理。如下图：

[1507857359245_8253_1507857329454.png]

因为这只是一个试验性的兴趣项目，没办法花太多时间投入，所以我这次只打算从微博的搜索结果中，取1000条数据来分析。当然如果有可能的话，数据越多越好，训练出来的模型就越准确。

采集的页面是百度的微博搜索结果页：https://www.baidu.com/s?wd=腾讯&pn=0&tn=baiduwb&ie=utf-8&rtt=2

用python对该页面逐页抓取，然后用pyquery模块对抓取到的页面进行解析，得到一条条的微博文本。下面贴下这个页面的解析代码：

[1507857516508_1225_1507857486049.png]

人工处理

这一步是最苦逼也是最花时间的一步，我们需要把采集到的数据，一条条精确地人工分类整理好，才能给后续的算法训练使用。如果你的场景在网上能找到现成的训练数据集，那么恭喜你已经节省了大把时间，但大多数情况还得自己来，所有脏活累活都在这了。而且人工分类的准确性，也决定了训练出来的模型的准确性，所以这一步的工作也是至关重要的。

我们的目标是把消息分为“正面”、“负面”和“中性”三个类别。首先我们要先给这三个类别下一个明确的定义，这样在分类的时候才不会迷茫。我个人给它们下的定义是：

正面：有利的新闻、积极正面的用户言论；

负面：不利的新闻、消极反面的用户言论；

中性：客观提及的新闻、不带感情色彩的用户言论。

按照上面的标准，我们把采集到的1000条微博一一分类标记好。

文本预处理

采集过来的微博文本，带有很多无效的信息，在开始训练之前，我们需要对这些文本做预处理，并保存为sklearn能接收的数据，主要工作包括：

1、去杂质，包括表情符号、特殊符号、短链接等无效信息，这里用正则过滤掉即可，不再详细描述；

2、保存为文本文件，因为sklearn要求训练数据以特定的格式存放在本地目录，所以我们需要用脚本对原数据进行处理，目录格式如下：

[1507857584864_3993_1507857554381.png]

[image.png]

train：存放待训练的数据，子目录名称为分类名，子目录下存放训练文本文件，文件名随意，内容为单条微博文本；

test：存放带测试的数据，子目录名称随意，在子目录下存放测试文本文件。

建议训练集和测试集按8:2的比例划分，用python自动生成以上的本地文件。

3、分词，因为微博的数据大部分都是中文，所以推荐用jieba分词，对中文的支持比较给力，效果也很好。支持自定义词典，支持返回指定词性的分词结果，可以去除一些停用词和语气助词等。使用起来也很简单，这里不详细介绍，有需要可以访问它的github地址：https://github.com/fxsjy/jieba

算法选择

准备好训练数据之后，我们就可以开始训练了，为此我们需要选择一个合适的分类算法。但机器学习算法那么多，如果一个个去测试对比，将花费我们不少精力。幸好sklearn已经考虑到了这个问题，并提供了一个算法选择方案。通过把多个算法的运行结果进行图形化对比，可以很直观的看到哪个算法比较合适。

这个是官方提供的测试代码：http://scikit-learn.org/stable/auto_examples/text/document_classification_20newsgroups.html#example-text-document-classification-20newsgroups-py

把这个官方案例的数据输入部分替换成自己的即可。结果如下图：

[1507857726300_147_1507857695830.png]

综合运算效率和得分情况，我选择了LinearSVC算法（SVM）来作为我的训练算法。

训练

文本分类的训练主要有以下4个步骤：

[1507858653303_9451_1507858622776.png]

这4个步骤 sklearn都已封装了相应的方法，所以使用起来极其方便。参考如下代码：

[image.png]

注：以上代码为了方便展示，把模块引入也放到方法内部了，仅作参考

应用

最后就是对训练好的模型进行测试和应用。

通过已有的模型，对新的数据进行预测，代码如下：

[1507858724035_6245_1507858694226.png]

注：本代码只是展示用，仅作参考

打印出来的部分结果见下图：

[image.png]

经统计，预测的准确率为95%，该模型算出的当天腾讯相关的舆情如下：

[image.png]

结语

本文只是记录下我这两天的一些想法和试验过程，没有涉及太多代码实现或者其他高深的算法，相信不难看懂。如果有人感兴趣的话，后面我可以把源码整理完发布出来。

感谢阅读！