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。
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。
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)
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:
`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。
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)
一般分词可以用Rwordseg包或者jiebaR包来进行,
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.
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
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。
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。
如上图1,logic就是新加的一列数字。
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。
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。
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
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。
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。
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。
(2)DF、IDF、TFIDF值
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:
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。
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。
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。
Session ID | News | Finance | Entertainment | Sports |
---|---|---|---|---|
1 | 1 | 1 | 0 | 0 |
2 | 1 | 1 | 0 | 0 |
3 | 1 | 1 | 0 | 1 |
4 | 0 | 0 | 0 | 0 |
5 | 1 | 1 | 0 | 1 |
6 | 1 | 0 | 1 | 0 |
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
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。
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。
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);
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)。
addterm就是训练集中,测试集没有的单词,需要补齐。
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
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。
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。
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。
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。