文本情感分析：特征提取（TFIDF指标）&随机森林模型实现

作者：Matt

自然语言处理实习生

http://blog.csdn.net/sinat__26917383/article/details/51302425

笔者寄语：本文大多内容来自未出版的《数据挖掘之道：基于R的实战之旅》的情感分析章节。本书中总结情感分析算法主要分为两种：词典型+监督算法型。

监督算法型主要分别以下几个步骤：

构建训练+测试集+特征提取（TFIDF指标）+算法模型+K层交叉验证。

基于监督算法的情感分析存在着以下几个问题：

（1）准确率而言，基于算法的方法还有待提高，而目前的算法模型准确性很难再上一个层次，所以研究者要不创造更新更强大的算法，要不转向寻求其他的解决方案以使准确率更上一个台阶；

（2）如果文本越来越多，词汇变量也会增多，矩阵会越来越稀疏，计算量越来越大，这样在挑选算法的同时我们将不得不解决另外一个问题，即特征词的提取，这里的特征词提取方法不是一般的特征词提取方法就能解决的，其目的是提取能够区分情感倾向的特征词，所以找到能够实现目的的方法也着实不易。

（3）基于算法的分析方式一般具有行业特殊性，也就是说很难训练一个可以跨行业的模型，这样就会遇到另外一个问题：挑选训练样本。比如本来是针对汽车销售行业构建的模型迁移到快消行业，准确性就有可能下降，为了保证准确性，须要挑选快消行业的训练集进行重训练，那问题来了，这种训练集一般要成千上万条文本评论，人工挑选的话也许会让人筋疲力尽，眼前发黑的。

目前以上三点是基于算法的方法需要改进和提高的关键点，至于分析情感的细腻程度、情感主体归属等等问题就不仅仅是算法这一种解决方案的问题了，其他方式同样也会遇到这类麻烦，可以另外作为一个新的课题进行研究。

一、TFIDF算法指标的简介

监督式算法需要把非结构化的文本信息转化为结构化的一些指标，这个算法提供了以下的一些指标，在这简单叙述：

TF = 某词在文章中出现的次数/文章包含的总词数（或者等于某词出现的次数）

DF = （包含某词的文档数）/（语料库的文档总数）

IDF = log（（语料库的文档总数）/（包含某词的文档数+1））

TFIDF = TF*IDF

TF就是一篇文章中出现某个词的次数，你可能认为“中国”出现的次数最多，其实不然，“的”、“是”、“在”、”地“之类最多，这类词是停用词，在提取关键词之前必须剔除掉。

剔除停用词之后，比如“中国”、“省份”等一些常用的词的词频也会很高，这时候需要用IDF（"逆文档频率"（Inverse Document Frequency，缩写为IDF））来把这些词的权重调低，如果一个词比较“常见”（指在日常所有文档中），那么它的IDF就比较低。要计算IDF，首先要有一个充实的语料库。利用IDF作为惩罚权重，就可以计算词的TFIDF。

这几个指标就会监督型算法的核心指标，用来作为以后分类的输入项。

我们有了三个指标：tf、df、tfidf，选哪个用于构建模型？由于tf受高频词影响较大，我们暂时将其排除，根据上面的统计逻辑发现正向样本中某个词语的df和负向样本的相同，因为我们并没有把正负样本分开统计，所以在这种情况下使用df建模基本上不可能将正负样本分开，只有选tfidf了。

构建随机森林模型时需要将每一个词汇作为一个变量或者维度，这样矩阵会变得异常稀疏，但我们先不讲究这些，在企业内做数据挖掘建模时，第一目标不是追求模型统计上的完美性，而是在测试集和训练集上的稳定性和准确性。

二、构建训练+测试数据集

1、构建训练数据集

中科院自动化所的中英文新闻语料库 http://www.datatang.com/data/13484

构建训练集的步骤有：数据集导入、数据集一、二级清洗、分词、三级清洗（去停用）

1.1 数据集导入

1. train <- read.csv("./train.csv", sep = ",", header = T, stringsAsFactors = F)

文本作为非结构数据，导入是一个大问题，因为其有众多的分隔符、标点符的问题需要处理。

导入的数据中有一列是：label，这个就是标准的情感定义，定义这句话的正负情感（1，-1），所以是监督式的算法。

也会出现如下的问题：

1. # Warning message:
2. # In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings, :
3. # EOF within quoted string

`read.csv`函数读取文件时，可能报警：“EOF within quoted string”，一般为数据中不正常的符号所致，常见的方法是将`quote = ""`设置为空，这样做虽然避免了警告，但是仍然解决不了问题，有时数据会对不上号，所以最好从符号上着手将一些特殊符号去除，还有一些文本的正则表达式的问题，可见博客： R语言︱文本（字符串）处理与正则表达式。

1.2 数据清洗（一、二级）

文本数据清洗步骤有很多：一级清洗（去标点）、二级清洗（去内容）、三级清洗（去停用词，这个步骤一般分词之后）

1. #一级清洗——去标点
2. sentence <- as.vector(train$msg)
3. sentence <- gsub("[[:digit:]]*", "", sentence) #清除数字[a-zA-Z]
4. sentence <- gsub("[a-zA-Z]", "", sentence)
5. sentence <- gsub("\\.\\.", "", sentence)
6. #二级清洗——去内容
7. train <- train[!is.na(sentence), ]
8. sentence <- sentence[!is.na(sentence)]
9. train <- train[!nchar(sentence) < 2, ]
10. sentence <- sentence[!nchar(sentence) < 2]

1.3 分词+构建数据集

一般分词可以用Rwordseg包或者jiebaR包来进行，

1. library(Rwordseg)
2. insertWords(dict)
3. system.time(x <- segmentCN(strwords = sentence))
4. temp <- lapply(x, length)
5. temp <- unlist(temp)
6. id <- rep(train[, "id"], temp)
7. label <- rep(train[, "label"], temp)
8. term <- unlist(x)
9. trainterm <- as.data.frame(cbind(id, term, label), stringsAsFactors = F)

代码解读：insertWords了一个dict词典包，这个是正向、负向情感词，可以自行导入，网络中有非常多的词库，比如中国台湾大学情感NTUSD、知网Hownet情感词、中文褒贬义词典v1.0（清华大学李军）、大连理工等多类都可以自行网上搜索。

后续的步骤是将分词之后的每个词语，打上id+label标签.

1.4 三级清洗-去停用词

1. stopword <- read.csv("./stopword.csv", header = T, sep = ",", stringsAsFactors = F)
2. stopword <- stopword[!stopword$term %in% dict,]
3. trainterm <- trainterm[!trainterm$term %in% stopword,]

尽量去除一些非特征词汇可以有效的降低计算量和内存占用率，但是在小数据量下是可有可无的，但是如果分词的内容多，这个步骤还是很关键的。

图 1

2、测试集数据构建

测试集也跟训练集一样需要经历一、二级清洗，分词，三级清洗去停用。

最后得到了数据集testterm。同样也要跟训练集一样，进行特征提取，计算TFIDF指标，但是稍有不同，见下3.4节。

三、特征提取——TFIDF指标

在统计TFIDF等指数之前，还要处理下数据，因为在分词的时候分出了空白符，这种空白符即不能用is.na、is.null、is.nan这些函数查出来，也不能使用常见的空白符（空格" "，制表符"\t"，换行符"\n"，回车符"\r"，垂直制表符"\v"，分页符"\f"）包括空白符（"\\s"）等正则规则查出来。

1. trainterm <- trainterm[grepl("\\S", trainterm$term),]

3.1 计算TF指标

如上图1，logic就是新加的一列数字。

1. trainterm$logic <- rep(1, nrow(trainterm))# 添加辅助列

计算TF指标，是指计算每个文档，每个词的词频数，等于计数，这时需要添加一列数字1，来方便计数。

有点像做高中应用题时候，要加入一些工具线，或者经济学中的工具变量来过渡解决问题。

1. library(dplyr)
2. traintfidf <- aggregate(logic ~ id + label + term, data = trainterm, FUN = sum) %>% rename(tf = logic)

代码解读:这里的aggregate是以新数据列为计数列，以id+label+term为标签列（控制变量），

其中为啥加入label呢？ 不是说，按照每个文档（id），每个词（term）就可以了吗？

答：其实加了label不影响计数结果，只是让分类更有理有据一些。aggregate相当于把每个文档的词去重了一下，不是ID去重，在不同文档中也可能存在相同的词。

书中提到，要统计tf，可以通过`table`函数、`dcast`函数(reshape2包、plyr包都有这个函数)等实现，但是尝试之后发现它们要不速度慢，要不就是占用内存太高，包括data.table里的`dcast`函数，原因在于它们的中间过程要进行矩阵的转换。这里使用`aggregate`统计每篇文章每个词的频次，2行添加了一个辅助列logic，当然不添加辅助列，设置`aggregate`里的FUN参数为`length`函数也能完成，但是数据量大时耗费时间太长，不如添加辅助列，而FUN参数调用`sum`函数速度快，这句的意思就是按照id、term、label三列分组后对logic求和。

3.2 计算DF列

1. total <- length(unique(traintfidf$id))#统计出参与计算的文章id数，即总文章数
2. temp <- data.frame(table(traintfidf$term)/total) #DF=每个词的数量（就是每个词的文本数量）/总文本数量
3. names(temp) <- c("term", "df")
4. traintfidf <- left_join(traintfidf, temp)
5. #不要dplyr包、plyr包同时使用，比如这里就会导致rename函数被覆盖，二者的功能相似，没必要同时加载，或者先加载plyr再加载dplyr。

计算DF，是每个词文档频率，需要知道全文档数量以及每个词的文档数量，该咋办呢？

如图1，全文档数量只要统计ID就行，所以length一下去重（unique）的ID；

每个词的文档数量与词频TF是有很大区别的，TF=每个文档每个词的次数，DF=所有文档每个词的次数。所有文档每个词的次数就是计数一下即可，在这用table函数。

图2

现在有了每个词的文档频率，该如何匹配到原来的数据集中呢？

由于没有ID，那么匹配 就不得不用一些词库之间的匹配方式，可以用%in%做去除，但是不太好用其做打标签的过程。

所以用了dplyr包中的left-join函数，left_join(x,y,by="name") ##xy匹配到的都保留。 词库之间也可以根据词语进行匹配，这个非常棒，如图3，“阿富汗”重复的也可以直接关联上去。

图3

3.3 计算IDF（逆文档频率）以及TFIDF指标

IDF = log（（语料库的文档总数）/（包含某词的文档数+1））

IDF的起源是因为一堆无用的高频词（比如中国、政府）出现的太多，通过加权将这些词的权重下调。

1. temp <- data.frame(log(total/(table(traintfidf$term) + 1))) #traintfidf$term代表每个词的文档数，计算IDF
2. names(temp) <- c("term", "idf")
3. traintfidf <- left_join(traintfidf, temp)
4. traintfidf$tfidf <- traintfidf$tf*traintfidf$idf

文档总数=ID的数量，用去重的id来计算length，就是代码中的total，

每个词的文档数，就是每个词在所有文档的数量，用table来计数，公式中很多要素都跟DF值一样。

然后通过left_join合并之后，计算TFIDF=TF*IDF，就得到了每个文档每个词的TFIDF值，即为该词的特征值。

3.4 测试集的TFIDF指标

测试集的计算过程与训练集非常不一样，测试集的指标根据训练集的数据，直接调用即可。

（1）TF值跟训练集一样，添加一个辅助列，然后aggregate一下。

1. testterm <- testterm[grepl("\\S", testterm$term),]
2. testterm$logic <- rep(1, nrow(testterm))# 添加辅助列
4. testtfidf <- aggregate(logic ~ id + label + term, data = testterm, FUN = sum) %>% rename(tf = logic)#TF
5. #%>%来自library(tidyr)，rename来自reshape包

（2）DF、IDF、TFIDF值

1. total <- length(unique(traintfidf$id)) #训练集文本总数
2. temp <- data.frame(table(traintfidf$term)/total) #训练集DF指标
3. names(temp) <- c("term", "df")
5. testtfidf <- left_join(testtfidf, temp) #匹配到test中
7. # idf来源于语料库，跟DF一样
8. temp <- data.frame(log(total/(table(traintfidf$term) + 1))) #来自训练集的IDF
9. names(temp) <- c("term", "idf")
11. testtfidf <- left_join(testtfidf, temp)
13. testtfidf$tfidf <- testtfidf$tf*testtfidf$idf #计算TFIDF 空缺值很多

代码解读:temp就是训练集的DF值，然后left_join匹配到测试集即可；IDF值也是同样，训练集的IDF，匹配过来就行，然后就直接计算TFIDF值。

其中肯定存在很多问题：

训练集的DF、IDF相当于是固定的，然后根据词库匹配，跟测试集合并，那么DF、IDF就不受测试集词语数量的影响了?

答：对的，训练集相当于就是基本的语料库，作为素材源头；

测试集肯定比训练集有多的单词，这部分单词怎么处理？

答：直接删除，如果这部分单词的确有用，可以加入训练集的分词库，在做一次训练集的分词内容，当然训练集之后的步骤都要重新来一遍。 如何查看测试集中有，而训练集中没有的单词呢？可以用%in%，A[A%in%B,]

left_join的过程中，为什么没用写明参照哪个变量？

答：会出现一下的错误：

1. Joining by: "term"
2. Warning message:
3. In left_join_impl(x, y, by$x, by$y) :
4. joining factor and character vector, coercing into character vector

这个错误是可以忽略的，而且默认是按照term项来进行匹配合并。

四、算法模型

关于算法模型，书中选用了随机森林，先不考虑为啥选择这个模型，我们直接来看看如何实现这个模型。

4.1 模型数据整理

随机森林既能完成分类任务也能完成回归预测任务，训练数据标签里只有两个分类1（正向）或-1（负向），理论上属于分类任务。

`randomForest`函数要求为数据框或者矩阵，需要原来的数据框调整为以每个词作为列名称（变量）的数据框。也就是一定意义上的稀疏矩阵（同关联规则），也就是将long型数据框转化为wide型数据框。

转换可以用的包有reshape2以及data.table。其中，data.table里的`dcast`函数比reshape2包里的`dcast`好用，尽管他们的参数都一样，但是很多人还是比较喜欢老朋友reshape2包,然而这一步需要大量的内存，本书在服务器上完成的，如果你的电脑报告内存不足的错误，可以使用data.table包里的`dcast`函数试试。

（笔者游戏本ROG玩家国度，i7-6700,16g内存，69w数据量做随机森林直接崩溃。。。）

转化为稀疏矩阵，1表示访问，0表示未访问。

1. library(data.table)
2. train <- dcast(data = traintfidf, id + label ~ term, sum, value.var = "tfidf")

dcast是data.table中有用的函数，实现以term为横向分类依据，id+label作为纵向分类依据求和。value.var给出的是分类主要指标，这里只选择了tfidf一个指标。

如下图4，可知左边按id与label进行分类，右边是按每个单词，相当于变成了n*n个数据量，计算消耗非常大。

图4

4.2 训练集- 随机森林模型

随机森林模型不需要id项，通过row.names把id这一列放在R默认序号列，如图4中的第一列。

随机森林模型，分类和回归预测的操作不同之处在于判断因变量的类型，如果因变量是因子则执行分类任务，如果因变量是连续性变量，则执行回归预测任务。

1. library(randomForest)
2. row.names(train) <- train[, "id"] #row.names代表着R编号列
3. train <- subset(train, select = -id)
4. train$label <- as.factor(train$label)
5. system.time(Randommodel100 <- randomForest(x = subset(train, select = -label), y = train[, "label"], importance = TRUE, proximity = FALSE, ntree = 100))#构建模型
6. #首先判断因变量的类型，如果因变量是因子则执行分类任务，如果因变量是连续性变量，则执行回归预测任务
7. print(Randommodel100)
8. # Call:
9. # randomForest(x = subset(train, select = -label), y = train[, "label"], ntree = 100, importance = TRUE, proximity = FALSE)
10. # Type of random forest: classification
11. # Number of trees: 100
12. # No. of variables tried at each split: 157
13. #
14. # OOB estimate of error rate: 7.04%
15. # Confusion matrix:
16. # -1 1 class.error
17. # -1 11602 274 0.02307174
18. # 1 968 4808 0.16759003

需要把标签列变成因子型才能做分类的随机森林模型，

randomForest中的参数，importance设定是否输出因变量在模型中的重要性，如果移除某个变量，模型方差增加的比例是它判断变量重要性的标准之一，proximity参数用于设定是否计算模型的临近矩阵，ntree用于设定随机森林的树数（后面单独讨论）。

print输出模型在训练集上的效果。

4.3 测试集-随机森林模型

（1）测试集的数据再整理

随机森林的数据规则是建立一个稀疏数据集，那么作为额外的测试集的数据，该如何处理，才能跟训练集对上，然后进行算法处理？

为了保证自变量与模型中用到的自变量保持一致，需要补齐完整的单词。

首先要删除一些新词（语料库中没有出现，测试集中出现的词）；

1. testtfidf <- testtfidf[!is.na(testtfidf$tfidf),]# 去掉test中没有匹配到train的词语

其次需要给测试集补充上一些缺失词（测试集中没出现，语料库中出现并且用于建模了）。

1. temp <- unique(testtfidf$term) #term测试集单词，去重
2. addterm <- unique(traintfidf$term)#训练集单词去重
3. addterm <- addterm[!addterm %in% temp]#训练集的单词去掉测试集单词

addterm就是训练集中，测试集没有的单词，需要补齐。

1. n <- length(addterm)
2. temp <- rep(NA, n*length(testtfidf)) #这个在多变量数据集中表示为变量数量
3. temp <- data.frame(matrix(temp, nrow = n))
4. temp[, 3] <- addterm
6. names(temp) <- names(testtfidf) #把构造出的数据集名字变成更test一样
8. testtfidf <- rbind(testtfidf, temp)
9. tail(testtfidf) #检查一下是否整理正确
11. test <- dcast(data = testtfidf, id + label ~ term, sum, value.var = "tfidf") #整理数据，符合随机森林

得到了缺失词之后，如何放到训练集的数据中呢？先构造一个n（缺失词）*length(训练集变量个数)的空矩阵，

然后将确实存在放入这个矩阵中，temp[,3]函数；

把空矩阵的变量名，改成训练集的变量名，对的上模型，names函数；

将缺失值与原值进行合并rbind函数，

然后构造随机森林识别的稀疏矩阵，dcast函数。

图5

形成了图5的矩阵，term中id、tf、df、idf、tfidf项为空值。之后通过dcast函数形成了随机森林所要的数据结构，来进行后续的分析。

笔者自问自答：

图4是训练集服从随机森林模型dcast之后的图，而图6是测试集dcast之后的表，为啥他们的单词顺序都是一样的呢？如何才能严格符合训练集的数据结构呢？

答：dcast重排的时候，是按照term的名称大小写的顺序来写的，所以肯定和训练集的结构是一致的！

为什么图5中，一些词语的Id为0，而dcast之后，不存在0id的个案呢？

答：还是dcast函数不理解的问题，重排之后，比如图5的“阿尔卑斯山”，就变成了图6的第四列的元素，但是因为阿尔卑斯山没有Id项目，所以都不属于测试集的id,显示的都是0（如图6）。

图6

（2）测试集的随机森林建模

测试集建立随机森林模型，还是需要去除缺失值，然后重命名列名，因为模型不接受id这一行作为输入变量，输入的数据集一定要干净。

1. test <- test[!is.na(test$id), ]
2. row.names(test) <- test[, "id"]
3. test <- subset(test, select = -id)
4. system.time(prediction <- predict(Randommodel100, subset(test, select = - label)))
5. prediction <- data.frame(cbind(subset(test, select = label),prediction, row.names(test)))

随机森林的prediction，可以输出分类标签，将预测分类、实际分类、id合并data.frame成一个数据集，并且row.names跟test一样。

之后再建立混淆矩阵。

1. evalue <- table(prediction$label, prediction$prediction)
2. print(evalue)
3. # -1 1
4. # -1 1836 129
5. # 1 618 1324

测试集分类准确率下降到了81%，尽管只检验了一次，很明显发生了过拟合。但是只是验证了一次，并不能说明随机森林模型的好坏，机器学习模型还可以经历一下K层交叉验证、模型评估（MSE等指标）以及可视化的环节。

(3)随机森林模型的验证

常见的应用在监督学习算法中的是计算平均绝对误差（MAE）、平均平方差（MSE）、标准平均方差（NMSE）和均值等，这些指标计算简单、容易理解；而稍微复杂的情况下，更多地考虑的是一些高大上的指标，信息熵、复杂度和基尼值等等。