06文本分类与聚类

null文本分类与聚类文本分类与聚类哈工大信息检索研究室 2007这一部分将讲述这一部分将讲述文本分类及聚类的概念 文本特征的提取 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 贝叶斯分类，KNN分类及决策树分类 K均值及层次聚类的方法 文本分类概述文本分类概述概述概述文本分类包括普通文本分类和网页文本分类 中文网页分类技术已经成为中文信息处理领域的一项基础性工作 网页分类可以为搜索引擎用户提供目录导航服务，进而提高系统查准率 网页分类可以为个性化搜索引擎奠定基础 分类的概念分类的概念给定: 一个实例的描述, xX, X是实例空间 一个固定的文本分类体系: C={c1, c2,…cn} 由于类别是事先定义好的，因此分类是有指导的（或者说是有监督的） 确定: 实例x的类别 c(x)C, c(x) 是一个分类函数，定义域是 X ，值域是C 说明说明分类模式 2类问题，属于或不属于(binary) 多类问题，多个类别(multi-class)，可拆分成2类问题 一个文本可以属于多类(multi-label) 分类体系一般人工构造 政治、体育、军事 中美关系、恐怖事件 很多分类体系: Reuters分类体系、中图分类 nullA类 马列主义、毛泽东思想 B类 哲学 C类 社会科学总论 D类 政治、法律 E类 军事 F类 经济 G类 文化、科学、教育、体育 H类 语言、文字 I类 文学 J类 艺术 K类 历史、地理 N类 自然科学总论 O类 数理科学和化学 P类 天文学、地球科学 Q类 生物科学 R类 医药、卫生 S类 农业科学 U类 交通运输 V类 航空、航天 X类 环境科学、劳动保护科学（安全科学） TB类 一般工业技术 TD类 矿业工程 TE类 石油、天然气工业 TF类 冶金工业 TG类 金属学、金属工艺 TH类 机械、仪表工艺 TJ类 武器工业 TK类 动力工业 TL类 原子能技术 TM类 电工技术 TN类 无线电电子学、电信技术 TP类 自动化技术、计算技术 TQ类 化学工业 TS类 轻工业、手工业 TU类 建筑科学 TV类 水利工程 中图分类法null 系统结构文本分类示例MultimediaGUIGarb.Coll.SemanticsMLPlanningplanning temporal reasoning plan language...programming semantics language proof...learning intelligence algorithm reinforcement network...garbage collection memory optimization region...“planning language proof intelligence”训练数据测试数据类别(AI)文本分类示例(Programming)(HCI)......分类的一般过程分类的一般过程收集训练集和测试集，对文本进行预处理 对文本进行特征提取 分类器训练（学习） 测试与 评价 LEC评价法下载LEC评价法下载评价量规免费下载学院评价表文档下载学院评价表文档下载 精确率、召回率、F1 宏平均，微平均分类的评测分类的评测偶然事件表（Contingency Table） 对一个分类器的度量 准确率(precision) = a / (a + b) 召回率(recall) = a / (a + c) fallout = b / (b + d) BEP和F测度BEP和F测度BEP（break-even point） 当准确率和召回率相等时的值即为BEP F测度，取β=1 BEP和F测度的值越大，则表示分类器的性能越好。 BEP只是F1所有可能取值中的一个特定值（当p = r时），因此BEP小于或等于F1的最大值。 多类分类问题的评价多类分类问题的评价宏平均（macro-averaging） 先对每个分类器计算上述量度，再对所有分类器求平均 是关于类别的均值 微平均（micro-averaging） 先合并所有分类器的偶然事件表中的各元素，得到一个总的偶然事件表，再由此表计算各种量度。 是关于文本的均值 收集训练数据收集训练数据TREC提供统一的训练集和测试集进行系统评测 国外：CMU,BERKLEY,CORNELL 国内：中科院计算所，清华大学，复旦大学 后续增加了网页语料和中文文本 但是中文文本是新华社的新闻稿，与网页的分类体系还有差别 目前已有的评测语料目前已有的评测语料有指导的机器学习方法是实现中文网页自动分类的基础，因此训练集是实现分类的前提条件 已有训练语料 863评测语料(中图分类) 搜狗语料 复旦语料训练语料分类体系训练语料分类体系中图分类体系 处理对象是图书，不适合网页分类 学科分类与代码 1992年制定，时间过久，包括一些过时类别 上述两个分类 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 都不能直接用做中文网页的分类 中文网页的分类体系一种中文网页的分类体系一种中文网页的分类体系训练集的大小训练集的大小通过不断增加实例的个数，考察每个类训练样本对分类器质量的影响 宏观F1 微观F1网页预处理网页预处理去掉网页中的导航信息 去掉HTML网页中的tag标记 (中文)分词、词性标注、短语识别、… 去除停用词和词根还原(stemming) 数据清洗：去掉不合适的噪声文档或文档内垃圾数据  特征提取特征提取特征提取(Feature Selection)特征提取(Feature Selection)在文本分类问题中遇到的一个主要困难就是高维的特征空间 通常一份普通的文本在经过文本表示后，如果以词为特征，它的特征空间维数将达到几千，甚至几万 大多数学习算法都无法处理如此大的维数 为了能够在保证分类性能的前提下，自动降低特征空间的维数，在许多文本分类系统的实现中都引入了特征提取方法null举例对每类构造k 个最有区别能力的term 例如： 计算机领域： 主机、芯片、内存、编译 … 汽车领域: 轮胎，方向盘，底盘，气缸，… 用文档频率选特征用文档频率选特征文档频率 DF (Document Frequency) DFi：所有文档集合中出现特征i的文档数目 基本假设：稀少的词或者对于目录预测没有帮助，或者不会影响整体性能。 实现方法：先计算所有词的DF，然后删除所有DF小于某个阈值的词，从而降低特征空间的维数。 优缺点： 最简单的降低特征空间维数的方法 稀少的词具有更多的信息，因此不宜用DF大幅度地删除词 词的熵词的熵term的熵 该值越大，说明分布越均匀，越有可能出现在较多的类别中； 该值越小，说明分布越倾斜，词可能出现在较少的类别中 信息增益(Information Gain, IG)信息增益(Information Gain, IG)该term为整个分类所能提供的信息量 不考虑任何特征的熵和考虑该特征后的熵的差值 信息增益计算的是已知一个词t是否出现在一份文本中对于类别预测有多少信息。 这里的定义是一个更一般的、针对多个类别的定义。 互信息（Mutual Information）互信息（Mutual Information）互信息(Mutual Information)：MI越大t和c共现程度越大 互信息的定义与交叉熵近似，只是互信息不考虑t不出现的概率，它的定义为： χ2统计量（CHI）：χ2统计量（CHI）：2统计量的定义可以从一个词t与一个类别c的偶然事件表引出（假设文本的总数为N ） 度量两者(term和类别)独立性程度 χ2 越大，独立性越小，相关性越大 若AD 一个文本实例 xX 带有正确的类别标记 c(x) 学习的过程是在给定训练样本集合D 的前提下，寻找一个分类函数h(x), 使得: 贝叶斯分类贝叶斯分类贝叶斯分类贝叶斯分类基于概率理论的学习和分类方法 贝叶斯理论在概率学习及分类中充当重要角色 仅使用每类的先验概率不能对待分的文本提供信息 分类是根据给定样本描述的可能的类别基础上产生的后验概率分布 贝叶斯理论贝叶斯理论得到：由条件概率的定义：贝叶斯分类贝叶斯分类设各个类别的集合为 {c1, c2,…cn} 设E为实例的描述 确定E的类别 P(E) 可以根据下式确定 贝叶斯分类(cont.)贝叶斯分类(cont.)需要知道: 先验概率: P(ci) 条件概率: P(E | ci) P(ci) 容易从数据中获得 如果文档集合D中，属于ci的样例数为 ni 则有 P(ci) = ni / |D| 假设样例的特征是关联的: 指数级的估计所有的 P(E | ci) 朴素的贝叶斯分类朴素的贝叶斯分类如果假定样例的特征是独立的，可以写为： 因此，只需要知道每个特征和类别的P(ej | ci) 如果只计算单个特征的分布，大大地减少了计算量 文本分类 Naïve Bayes算法(训练)文本分类 Naïve Bayes算法(训练)设V为文档集合D所有词词表 对每个类别 ci  C Di 是文档D中类别Ci的文档集合 P(ci) = |Di| / |D| 设 ni 为Di中词的总数 对每个词 wj  V 令 nij 为Di中wij的数量 P(wi | ci) = (nij+ 1) / (ni + |V |) 文本分类 Naïve Bayes算法(测试)文本分类 Naïve Bayes算法(测试)给定测试文档 X 设 n 为X中词的个数 返回的类别: wi是X中第i个位置的词 Naïve Bayes分类举例Naïve Bayes分类举例C = {allergy, cold, well} e1 = sneeze; e2 = cough; e3 = fever 当前实例是：E = {sneeze, cough, fever} 过敏打喷嚏Naïve Bayes 举例 (cont.)Naïve Bayes 举例 (cont.)参数计算： P(well | E) = (0.9)(0.1)(0.1)(0.99)/P(E)=0.0089/P(E) P(cold | E) = (0.05)(0.9)(0.8)(0.3)/P(E)=0.01/P(E) P(allergy | E) = (0.05)(0.9)(0.7)(0.6)/P(E)=0.019/P(E) 最大概率类: allergy P(E) = 0.089 + 0.01 + 0.019 = 0.0379 P(well | E) = 0.23 P(cold | E) = 0.26 P(allergy | E) = 0.50Play-tennis 例子: 估算 P(xi|C)Play-tennis 例子: 估算 P(xi|C)null正例反例Play-tennis例子: 分类 XPlay-tennis例子: 分类 X例子 X = P(X|p)·P(p) = P(rain|p)·P(hot|p)·P(high|p)·P(false|p)·P(p) = 3/9·2/9·3/9·6/9·9/14 = 0.010582 P(X|n)·P(n) = P(rain|n)·P(hot|n)·P(high|n)·P(false|n)·P(n) = 2/5·2/5·4/5·2/5·5/14 = 0.018286 样本 X 被分到 n类，即“不适合打网球” 举例举例在Joachims(1996)的一个实验中，被应用于分类新闻组文章 20个电子新闻组，每个新闻组1000篇文章，形成2万个文档的数据集 2/3作训练集，1/3作测试集衡量性能 20 个新闻组，随机猜测的分类精确度5%，由程序获得的精确度89% 讨论讨论朴素的贝叶斯假定在一个位置上出现的词的概率独立于另外一个位置的单词，这个假定有时并不反映真实情况 虽然独立性假设很不精确，别无选择，否则计算的概率项将极为庞大 幸运的是，在实践中朴素贝叶斯学习器在许多文本分类中性能非常好，即使独立性假设不成立K近邻K近邻 K近邻（KNN） K近邻（KNN）最近邻分类 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 对于测试样本点x，在集合中距离它最近的的x1。最近邻分类就是把x分为x1 所属的类别 最近邻规则的推广- KNN 没有好的相似度矩阵不能用 KNN KNN算法KNN算法目标：基于训练集X的对y分类 在训练集中，寻找和y最相似的训练样本x 得到k个最相似的集合A,A为X的一个子集 设n1,n2分别为集合中属于c1,c2的个数 如果p(c1|y)>p(c2|y),判为c1,否则判为c2 kNN方法kNN方法一种基于实例的学习方法新文本k=1, A类k=4，B类k=10，B类带权重计算，计算权重和最大的类。k常取3或者5。KNN在文本分类中的应用KNN在文本分类中的应用KNNKNN分类错误是由于： 单个的非典型样例 单个训练样本的噪音. 更鲁棒的方法是发现k个最相似的样本，返回k个样本最主要的类别 相似度矩阵相似度矩阵最近邻方法依赖于相似度矩阵(或距离). 对连续m维空间最简单的方法采用欧氏距. 对m维二值实例空间最简单的方法是海明距. 对于基于文本tf/idf权重向量的余弦相似度是经常被采用的. 影响KNN的因素影响KNN的因素K的取值 K一般取15 计算距离的方法 欧式距离 兰式距离（余弦相似度） KNN和NB比较KNN和NB比较 从表中看，KNN质量较高，NB的效率较高 从各个类别看，KNN比NB稳定，NB对类别敏感 决策树决策树简介简介决策树方法的起源是概念学习系统CLS，然后发展到ID3方法而为高潮，最后又演化为能处理连续属性的C4.5。有名的决策树方法还有CART和Assistant 应用最广的归纳推理算法之一 一种逼近离散值目标函数的方法 决策树的表示法决策树的表示法决策树通过把实例从根节点排列到某个叶子节点来分类实例，叶子节点即为实例所属的分类。 树上的每一个节点说明了对实例的某个属性的测试，并且该节点的每一个后继分支对应于该属性的一个可能值决策树表示举例决策树表示举例表达式表达式决策树学习的适用问题决策树学习的适用问题实例是由属性-值对表示的 目标函数具有离散的输出值 可能需要析取的描述 训练数据可以包含错误 训练数据可以包含缺少属性值的实例属性选择属性选择构造好的决策树的关键在于如何选择好的逻辑判断或属性。 对于同样一组例子，可以有很多决策树能符合这组例子。 一般情况下或具有较大概率地说，树越小则树的预测能力越强。 要构造尽可能小的决策树，关键在于选择恰当的逻辑判断或属性。 由于构造最小的树是NP-难问题，因此只能采取用启发式策略选择好的逻辑判断或属性 用熵度量样例的均一性（纯度）用熵度量样例的均一性（纯度）熵的定义 举例关于某布尔分类的熵函数关于某布尔分类的熵函数用信息增益度量期望熵最低用信息增益度量期望熵最低一个属性的信息增益就是由于使用这个属性分割样例而导致的期望熵的降低举例举例计算信息增益计算信息增益确定最佳分类的属性确定最佳分类的属性哪一个属性是最好的分类？S:[9+,5-] E=0.940Humidity3+，4- E=0.9856+,1- E=0.592Gain(S,Humidity) =0.940-(7/14)0.985-(7/14)0.592S:[9+,5-] E=0.940Wind6+，2- E=0.8113+，3- E=1.000Gain(S,Wind) =0.940-(8/14)0.811-(6/14)0.100highnormalstrongweak不同属性的信息增益不同属性的信息增益计算各属性的熵值 Gain(S,Outlook)=0.246 Gain(S,Humidity)=0.151 Gain(S,Wind)=0.048 Gain(S,Temperature)=0.029 可以看到，Outlook得信息增益最大 nullD1,D2,…D14 9+,5-OutlookSunnyD1,D2,D8,D9,D11 2+,3-RainD4,D5,D6,D10,D14 3+,2-D3,D7,D12,D13 4+,0-Overcast?哪一个属性在这里被测试？Ssunny={D1,D2,D8,D9,D11} Gain（Ssunny,Humidity）=0.970-(3/5)0.0-(2/5)0.0=0.970 Gain(Ssunny, Temperature)=0.970-(2/5)0.0-(2/5)1.0-(1/5)0.0=0.570 Gain(Ssunny, Wind)=0.970-(2/5)1.0-(3/5)0.918=0.019?YesID3算法ID3算法创建树的Root结点 开始 AAttributes中分类能力最好的属性 Root的决策属性A 对于每个可能值vi 在Root下加一个新的分支对应测试A=vi 令Examplesvi为Examples中满足A属性值为vi的子集 如果Examplesvi为空 在这个新分支下加一个叶子结点，节点的lable=Examples中最普遍的目标属性值(target-attribute) 否则在这个新分支下加一个子树ID3(examplevi,target- attribute,attributes-{A}) 返回 Root C4.5C4.5C4.5是对ID3的改进算法 对连续值的处理 对未知特征值的处理 对决策树进行剪枝 规则的派生决策树学习的常见问题决策树学习的常见问题过度拟合数据 基本的决策树构造算法没有考虑噪声，生成的决策树完全与训练例子拟合 有噪声情况下，完全拟合将导致过分拟合（overfitting），即对训练数据的完全拟合反而不具有很好的预测性能 解决方法解决方法剪枝是一种克服噪声的技术，同时它也能使树得到简化而变得更容易理解。 向前剪枝（forward pruning） 向后剪枝（backward pruning） 理论上讲，向后剪枝好于向前剪枝，但计算复杂度大。 剪枝过程中一般要涉及一些统计参数或阈值，如停机阈值 有人提出了一种和统计参数无关的基于最小描述长度（MDL）的有效剪枝法 决策树的优点决策树的优点可以生成可以理解的规则 计算量相对来说不是很大 可以处理连续和离散字段 决策树可以清晰的显示哪些字段比较重要 过程可见 不足之处不足之处对连续性的字段比较难预测 当类别太多时，错误可能会增加的比较快 一般的算法分类的时候，只是根据一个属性来分类。 不是全局最优 文本分类的应用文本分类的应用新闻出版按照栏目分类 类别 {政治,体育,军事,…} 网页分类 类似于Yahoo的分类 个性化新闻 智能推荐 垃圾邮件过滤 类别 {spam, not-spam} 文本聚类 Text Clustering 文本聚类 Text Clustering聚类式搜索聚类式搜索聚类式搜索聚类式搜索聚类聚类 将无标记的样本划分到聚类的各个子集中: 类内样本非常相似 类间样本非常不同 无监督方法发现新类别聚类样例.聚类样例层次聚类层次聚类在无标注的样本集合中建立 树状层次分类结构 递归的标准层次聚类算法应用生成层次聚类. 会聚vs. 分裂聚类会聚vs. 分裂聚类会聚(bottom-up) 以每个样本独自一类开始，迭代合并到越来越大的类中 分裂 (partitional, top-down) 将所有样本不断划分到类别中会聚层次聚类 (HAC)会聚层次聚类 (HAC)设定相似度函数确定任意两个实例的相似度 开始每个实例独自一类 然后重复合并最相似的类别，直到成为一类： 在当前的类别中，确定最近的两类ci 和cj 用单一的类别 ci  cj取代 ci 和 cj 合并的过程成为层次结构聚类相似度聚类相似度设定一个相似度函数确定两个实例的相似程度 文本向量的余弦相似度 如何计算包含多个样例的两个类别的相似度？ Single Link: 两个类别中最近成员的相似度 Complete Link: 两个类别中最远成员的相似度 Group Average: 成员间的平均相似度nullnullnullnull计算复杂度计算复杂度在第一次迭代中，HAC方法需要计算所有样例的每一对的距离 在合并迭代中，需要计算新形成的类与其他类的距离 为了维持O(n2)的性能，计算类与类之间的相似度需要常数时间 计算类别间相似度计算类别间相似度合并ci,cj后，计算该类和其他类的相似度可以如下计算： Single Link: Complete Link:平均连通凝聚聚类平均连通凝聚聚类单连通容易导致狭长聚类，全连通的算法复杂度为O(n3) 用合并后的类中所有对平均相似度度量两个类的相似度 是全连通和单连通的折中. 计算平均连通相似度计算平均连通相似度设定余弦相似度及单位长度归一化向量. 总是维持每个类别的向量和. 计算类别相似度在常数时间内: 非层次聚类非层次聚类需要确定期望的类别数k 随机选择k个种子 进行初始聚类 迭代，将样例重新划分 直到样例所属的类别不再改变K-MeansK-Means设定样例是一个实值向量 基于质心或类c中样本的均值聚类 根据样例与当前类别质心的相似度重新划分类别距离矩阵距离矩阵欧式距 (L2 norm): L1 norm: 余弦相似度 (转换成距离):K-Means 算法K-Means 算法令 d为两个实例的距离度量. 选择 k 个随机样例{s1, s2,… sk} 作为种子. 直到聚类收敛或满足停止策略: 对每个样例 xi: 将 xi 分配到 cj ， d(xi, sj) 是最小的. (Update the seeds to the centroid of each cluster) 对每个类 cj sj = (cj) K Means 举例(K=2)K Means 举例(K=2)Reassign clustersConverged!种子的选择种子的选择聚类结果与随机种子的选择是相关的 随机选择的种子可能会导致收敛很慢或者收敛到局部最优 采用启发式方法或其他方法选择好的种子Buckshot 算法Buckshot 算法层次聚类和 K-均值 首先随机选择n1/2 大小的语料 在这些样例上运行HAC 利用HAC的结果做为K-均值的种子 该方法避免了不良种子的选取文本聚类文本聚类HAC 和 K-Means可以直接应用于文本中. 典型的使用归一化、基于TF/IDF权重的向量以及余弦相似度. 应用: 在检索阶段，加入同一类别的其他文本作为初始检索结果，提高召回率. 检索结果进行聚类，可以提供给用户更好的组织形式 自动生成的层次聚类结果为用户提供方便，根据聚类结果生成文摘等半监督学习半监督学习对于有监督的分类，生成标注的训练语料代价很大. Idea: 用无标记的数据帮助有监督分类. 通过用标注和未标注的语料训练EM，在半监督模式中应用. 用已标注的数据子集训练初始的模型. 用户已标注的数据在迭代过程中不再改变. 无指导的数据标注在迭代过程中被重新标注.半监督学习举例半监督学习举例假设“quantum” 出现在标为物理的文档中，但是 “Heisenberg”（海森堡） 没有出现在标注的数据中. 从标注的数据中学到 “quantum” 是物理文档的标示. 标注无监督数据时，将出现“quantum” 和 “Heisenberg”的文档标为物理类. 在进行训练时，可以学到 “Heisenberg” 也是物理类文档的标示. 最后学到的模型可以正确地将仅包含 “Heisenberg” 的文档划为物理类.本章小结本章小结介绍了文本分类和聚类的概念 介绍了几种特征提取的方法 介绍了贝叶斯，KNN及决策树分类方法 介绍了层次聚类和非层次聚类的方法