用文本分类模型轻松搞定复杂语义分析；NLP管道模型可以退下了

大家好，我是为人造的智能操碎了心的智能禅师。

本文是《NLP 可以很好玩》系列教程的第二篇，由作者 Adam Geitgey 授权在人工智能头条翻译发表。

Adam Geitgey 毕业于佐治亚理工学院，曾在团购网站 Groupon 担任软件工程师总监。目前是软件工程和机器学习顾问，课程作者，Linkedin Learning 合作讲师。

《NLP 可以很好玩》系列教程，用易于理解的案例，清晰通畅的方式，教会大家写出可以理解人类书面语言的程序。

第一篇《用 Python 构建 NLP Pipeline，从思路到具体代码，这篇文章一次性都讲到了》中（链接在文章末尾），我们使用 Python 构建了一个 NLP Pipeline，通过逻辑化的方式解析语法和结构，从而进行英语文本处理。

而今次则可以认识到，文本分类模型是如何轻松解决 NLP Pipeline 的短板，在不经过分析语法结构，仅仅通过对大量数据的相关性，实现快速、高准确度、低硬件需求的语义分析。

全文大约2000字。读完可能需要下面这首歌的时间

?

难题

先回顾一下 NLP Pipeline 的方式是怎么运作的：首先将文本分成句子，然后将句子分解为名词和动词，接着找出这些词之间的关系，依此类推。

这种方法非常合理，非常合乎逻辑。但同时也导致这种方式使用条件非常苛刻，需要厘清语法结构，对语法（grammar）有非常强的依赖性。

然而不幸的是，人类大部分时间都是非理性的，语言也并不符合语法结构，而且非常依赖使用场景，这也是为什么会有误解这种东西的存在。

很多脱离了使用场景的对话，别说机器，连人类自己都理解不来。通过 NLP Pipeline 的方式去解析，就显得有点欺负人了。

再举个例子。下图是 Adam 在国外的“58 + 点评”网站 Yelp 上，对一个公园的评价：

Adam 给了一个五星评价。通过这个五星评价，机器能判断出用户满意度是非常高的。

但如果没有星级评分呢？如果作者的评价中不出现明确的“满意”“不满意”的文字呢？比如作者说：这个公园，秋风送爽，风和日丽，鸟语花香。那么机器该如何从这条评价的字里行间，判断作者的心思呢？

这个时候，就可以将这种复杂的语言理解任务重新定义为一个简单的分类问题。

分类模型

我们先设置一个简单的线性分类器，用于接收单词。分类器的输入是评论的文本；输出是5个固定标签之一：“1星”，“2星”，“3星”，“4星”，以及“5星”。

要想分类器能够可靠地预测，那它就必须以某种方式，充分的理解整个文本的含义，从而做出判断。

训练文本分类模型

首先，我们收集大量（大量的意思是百万量级）类似地点（比如：公园，企业，地标，酒店…）的用户评论，按照评星分类，这样我们就能得出文本和评星之间的对应关系。是不是很简单？

但简单的东西，应用场景可是一点都不简单。比如你现在可以成立一家分析社交媒体趋势的公司，监测微博上跟品牌相关的评价内容，给品牌做用户满意度跟踪和预测，提前应对即将到来的负面信息。品牌就有了更加充足的时间去准备危机公关，听着都感觉很刺激。

甚至我们可以做一个触发开关，当评价走低的时候，自动触发应急预案。

简单的让人心疼

人们不断创造和发展语言。 特别是在一个充满了模因和表情符号的在线词汇中，靠语法分析和传统分词的方式，操作难度太高。

比如一个德语文本，那么训练处理美国英语的 NLP Pipeline 就会崩溃。 如果用户使用老伦敦土语（Cockney Rhyming Slang）撰写评论，别说算法了，就是一个正常的英语母语的人也会崩溃的。

比如这句典型的老伦敦土语：I ran up the apples, got straight on the dog to me trouble and said I couldn't believe me mincers. 翻译过来是：我跑上台阶（apples），径直的拿起座机（dog），打给我老婆（trouble），说简直不敢相信我的眼睛（mincers）。

简直喵喵喵的跟江湖黑话一样：合吾的朋友（合得来的朋友），在家日月宫（在家靠父母），在外并肩子（在外靠朋友），把招子放亮了，别崩了盘子（别闹僵了）。

???

表情符号也不在话下。如果ಠ_ಠ与1星和2星评论的对应关系更为密切，即使算法不知道这个表情是啥意思，但分类器仍然可以在它们出现的位置、对特定输出的贡献频率中，找出字符的含义。

算法会将文本分解为单独的单词，并测量这些单词的效果。只要给分类器投喂足够的训练数据，管你英语德语还是汉语蒙语，在算法面前一视同仁。

文本分类还有一个非常大的优点：快。线性文本分类算法非常简单，相比递归神经网络这些复杂的算法，训练也快，要求的硬件也更亲民。

你可以普通笔记本电脑上训练带有千兆字节文本的线性分类器，都不需要用到GPU，而且准确度也很高。研究表明，文本分类算法和其他算法，在准确度之间的差距几乎为零。

当然，任何算法都不可能是完美无瑕的。文本分类算法虽然操作简单，但对数据量有非常大的依赖。数据越多，准确度越高；反之准确度会非常难看。

构建用户评论模型

安装工具

接下来我们利用 Facebook 的 fastText 作为工具，来构建我们的用户评论模型。这是个开源工具，可以将其作为命令行工具运行或从 Python 调用它。安装也很简单：

获取数据

工具有了，还缺训练数据。感谢 Yelp ，提供了470万用户评论的研究数据集。下载地址：

https://www. Yelp .com/dataset/download

? 注意，改数据只供个人学习使用，严禁用于其他用途，尤其不得用于商业目的

下载数据后，将获得一个名为reviews.json的4千兆字节json文件。 文件中的每一行都是一个json对象，其数据如下：

格式化和预处理

第一步是将此文件转换为fastText期望的格式。

fastText需要一个文本文件，每行文本都在一行上。每行的开头都需要有一个__label__YOURLABEL的特殊前缀，用于为该段文本分配标签。

换句话说，我们的餐厅评论数据需要重新格式化，如下所示：

这是一段简单的 Python 代码，它将读取 reviews.json 文件并以fastText格式写出一个文本文件：

运行后会创建一个名为fastText_dataset.txt的新文件，我们可以将其输入fastText进行训练。但是，我们还没有完成，仍然需要做一些额外的预处理。

在fastText看来，Hello hello hello! 是3个不同的词。 要解决这个问题，可以将所有内容转换为小写，并在标点符号前加上空格。 这称为文本规范化，它使fastText更容易获取数据中的统计模式。

这意味着文本This restaurant is great! 应该成为this restaurant is great ! 。

这是一个简单的 Python 转换函数，可以添加到代码中：

⚠️ 下面提供的完整代码包含此功能

将数据拆分为训练集和测试集

为了准确衡量模型的表现，需要测试训练数据外的数据。

我们从训练数据集中提取一些字符串，保存在单独的测试数据文件中。然后使用保留的数据测试训练模型的性能，以获得模型执行情况的真实效果。

接下来是我们数据解析代码的最终版本，它读取 Yelp 数据集，删除任何字符串格式，并写出单独的训练和测试文件，将90％的数据随机分成测试数据，10％作为测试数据：

运行后会生成两个文件：fastText_dataset_training.txt和fastText_dataset_test.txt。现在我们准备训练了！

这里还有一个提示：为了使模型更撸棒，在使用自己的数据时，还需要随机化每个数据文件中的行顺序，以便训练数据的顺序不会影响训练过程。当然在本文中不需要，因为 Yelp 的数据已经非常随机了。

训练模型

使用 fastText 命令行工具训练分类器，只需调用fastText，传递supervised关键字，告诉它训练一个有监督的分类模型，然后为其提供训练文件和模型的输出名称：

速度简直快的不像话。一台普通笔记本电脑，用5.8亿个单词训练这个模型，只花了3分钟！

测试模型

让我们通过检查我们的测试数据来了解模型的准确性：

这意味着在474,292个示例中，它猜测用户的确切星级评分为67.8％。 不错的开始。

你还可以要求 fastText 检查星级评分中预测的准确率。比如模型预测一条评论可能是“5”也可能是“4”，而真实用户说的是“4”，那么就可以得出模型预测为“4”的频率。

91.2%，说明绝大部分时间算法都猜对了。

还可以通过运行 fastText 的predict命令然后键入自己的评论，以交互方式试用模型（注意，输入的格式跟外面训练数据要保持一致，全部小写并且标点前面加空格）。

当输入this is a terrible restaurant . i hate it so much .的时候，返回__label__1；当个输入this is the best restaurant i have ever tried .的时候，返回__label__5，以此类推。

迭代模型，使其更准确

使用默认的训练设置，fastText 可以独立跟踪每个单词，而不关心单词顺序。但是当你有一个大的训练数据集时，需要它使用wordNgrams参数来考虑单词的顺序。这将使它跟踪词组，而不仅仅是单个单词。

对于数百万字的数据集，跟踪两个字对（也称为双字母）而不是单个字是改善模型的良好起点。

Adam 用了一下-wordNgrams 2参数，稍微对上下文有一些解析，准确度直接从67.8％提升到71.2%，减少了模型产生的明显错误的数量；但同时也使训练花费更长时间，模型文件更大，因为现在数据中的每个双字对都有一个条目。

训练完成后，运行测试命令：

把模型应用到自己的程序中

fastText 最爽的是可以很轻松的从任何 Python 程序调用训练模型。

您可以使用一些不同的用于 fastText 的 Python 包装器，但我喜欢Facebook创建的官方包装器。 您可以按照以下说明进行安装 。

安装完成后，这里是加载模型并使用它自动评分用户评论的整个代码：

这是它运行时的样子：

这些都是非常好的预测结果！ 让我们看看它会给我的 Yelp 评论预测：

这就是机器学习最酷的地方！一旦我们找到了解决问题的好方法，算法就能帮我妈完成从训练数据中提取语义的所有艰苦工作，然后，仅仅几行代码调用该模型，事情就成了。

简直跟变魔术一样！

开脑洞

这个简单的文本分类算法，可以应用在很多场景中。例如识别垃圾邮件，自动为消费者对接正确的售后团队，轻松给社交媒体内容和文档进行分类、重新分类等。

比如基于用户在微博上发布内容的文本分类模型，就可以定向精准推送广告。又比如公司手头有上千个千个咨询项目，需要根据新的政府规定重新分类，可以手动对随机抽样进行分类，然后构建分类模型以自动编码其余项目，而不用阅读每个项目的摘要。

甚至可以构建将一个分类模型输入另一个分类模型的系统。想象一个用户支持系统，其中第一个分类器猜测用户的语言（英语或德语），第二个分类器猜测哪个团队最适合处理他们的请求，第三个分类器猜测用户是否已经不满意选择票证优先级码…

是不是有种用乐高搭了个布加迪卫龙辣条的成就感！不用犹豫了，下手吧！

延伸阅读：

用 Python 构建 NLP Pipeline，从思路到具体代码，这篇文章一次性都讲到了