文本分类PPT

特征词选择算法（六）基于信息论的方法
KLDivergence
基本思想：
交叉熵反映了文本类别的概率分布和在出现了某个特定词的条 件下文本类别的概率分布之间的距离, 特征词t 的交叉熵越大, 对 文本类别分布的影响也越大。熵的特征选择效果都要优于信息 增益（尚未验证）。
运算公式：
D（p//q）=sum(p(x)*log(p(x)/q(x)))。其中p(x)和q(x)为两个概 率分布 约定 0*log(0/q(x))=0;p(x)*log(p(x)/0)=infinity;
利用向量空间模型进行文本分类的主要思路基于邻近假 设 邻近假设：同一类文档在N维向量空间中会构成一个邻近 区域，而不同类的邻近区域之间是互不重叠的 该模型将每个文档看成是一个N维向量
应用：
KNN，LR,SVM
两种文档模型的对比
相同点：
从词的粒度上来讲，都没有考虑词语概率分布与其他词 语概率分布之间的相关性（即：都做了独立性假设） 生成文档模型的时候，都没有考虑到词在文档中出现的 位置等因素
特点：依赖于类别信息 具体方法有：信息增益（IG），卡方(Chi square),互信 息（point –wise MI）,相对熵（KL Divergence）
无监督特征词选择算法：
特点：不依赖于类别信息 具体方法有：文档频率法（DF），单词贡献度（TC）
特征词选择算法（二）--无监督算法
DF：它指在整个数据集中有多少个文本包含这个单 词 单词贡献度：它认为一个单纯的重要性取决于它对整 个文本数据集相似性的贡献程度
文本分类以及预处理代码实现
预处理算法处理框架图
分类算法框架图
KNN算法
KNN文本分类算法又称为(k nearest neighhor)。它 是一种基于事例的学习方法，也称懒惰式学习方法。 它的大概思路是：对于某个待分类的样本点，在训练 集中找离它最近的k个样本点，并观察这k个样本点 所属类别。看这k个样本点中，那个类别出现的次数 多，则将这类别标签赋予该待分类的样本点。
基本思想：将单词和类别出现的情况看做是事件集合，
Eventst = {eventt , eventt } Eventsc = {eventc , eventc }
然后求上述两个事件集合的平均互信息
运算公式：
存在问题：
计算过程中考虑到了既不包含term t ，也不属于类别c的文档的 概率计算，可能会引进误差
百度文库
几种常见的判别式模型
Linear discriminant analysis Support vector machines Boosting Conditional random fields Logistic regression Neural Networks
分类器的划分与文档模型划分之间的关系 （个人经验）
可以这样考虑TP,FN,FP,TN的含义： TP（Truly Positve）：是指那些分类为正例实际上也是正例的文章； FP（Falsely Postive）：是指那些分类为正例但是实际上为负例的文章； FN（Falsely Negtive）：是指那些分类为负例但是实际上为正例的文章； TN（Truly Negtive）:是指那些分类为负例，实际上也为负例的文章。 查准率（precision）p=TP/(TP+FP)。它的含义是：测试集中被正确分类的正例数量除以 测试集中被分类为正例的数据数量。 查全率(recall) r=TP/(TP+FN)。 它的含义是：测试集中被正确分类的正例数量除以测试 集中实际正例数量。 F-score=2pr/(p+r)。 它是查准率和查全率的调和平均值。 F-score更接近于p,r两个数种较 小的那个
NAVIGATING TO TEXT CATEGORIZATION
文本分类初探 作者： 作者：领头驴
ROAD OF MAP
特征词选择算法基础知识 几种特征词选择算法效果验证 文本分类以及预处理代码实现 程序调用
文本分类基础知识
分类问题(CATEGORIZATION)的两种模式
广义分类问题的两种定义
重要数据结构定义
typedef map <string,vector<pair<int,int> > > DICTIONARY;//定义字典数据结构 typedef map<pair<string,string>,pair<int,int> > CONTINGENCY;//定义关联表数据结构 typedef map<int,vector<pair<int,double> > > DOCMATRIX;//文档向量矩阵 typedef vector<pair<int,string> > RESULTINFO;//最后的分类和聚类结果信息
存在问题：
如果文本类别数目较少，每类文本的数目又非常大时，KL值的 区分度可能会不明显（个人认为这种特征词选择方法效率同MI）
特征词选择算法（七）基于统计学的方法
Chi-square distribution
基本思想
卡方统计量 常常用于检测两个事件的独立性，在特征词选择中， 两个事件分别指词项的出现和类别的出现。
经常把分类问题（多分类问题）看成是二类问题（是否属于某个特定类别）。但针对某一 个具体类别来说，我们又可以这样考虑：即有多少篇文章属于该类？有多少篇文章不属于 该类？如果将属于该类的文章定义为“正例”，不属于该类别的文章定义为负例，那么就 有了 查准率，查全率，F-score等性能评估标准。分类器的混合矩阵：
Discriminative classifier （判别式模型）
Discriminative classifier model the posterior p(y|x) directly,or learn a direct map from inputs s to the class labels
DF、卡方、点对点互信息、信息增益法提 取特征词对比（一）
DF、卡方、点对点互信息、信息增益法提 取特征词对比（三）
一般结论： CHI,IG,和DF 的性能明显优于MI;CHI、 IG和DF的性能大体相当，都能够过滤掉80%以上的 特征项；DF具有算法简单、质量高的优点，可以用 来代替CHI和IG,但是同被广泛接受的信检索理论有 些矛盾。我们这里得出的结论，同文献（Yang et al .1997）使用普通英文文本评测的结果基本一致。 （摘自 李晓明 《搜索引擎—原理、技术、与系统》）
不同点：
可以理解为“权重”计算方式和表示方式不同 词袋模型的“权重”用概率表示，最后求出由词生成文 档的概率；VSM模型的“权重”，可以看做是tf,df的函 数映射
分类器的划分(一)
Generative classifier(产生式模型or 生成式模型)
Generative classifier learn a model of joint probability p(x,y),of the inputs x and the label y,and make their predictions by using Bayes rules to calculate p(y|x),and then picking the most likely label y
分类器的划分（二）
仁者见仁，智者见智
Vapnik: One should solve the [classification] problem directly, and never solve a more general problem as an intermediate step[such as modeling p(x|y)] Ng Andrew$ Jordan: discriminative classifier比 generative classifier classifier有更低的渐进错误率，但是 generative classifier能更快地收敛到最低错误；随着样 本数目的增多，discriminative classifer 的performance 会overtake generative classifier
监督学习（Supervised Learning） 非监督学习(Unsupervised Leaning)
区别：是否对于类别标签(class label)有先验知识
监督学习（狭义上的分类）：事先知道类别标签 非监督学习（狭义上的聚类）：事先不知道类别标签
本次汇报专题集中于：狭义上的分类（后面统称为文 本分类）
特征词选择算法（三）基于信息论的方法
事件的互信息
集合的平均互信息
特征词选择算法（四）基于信息论的方法
Point-wise mi
基本思想：
计算每个词t,与类别c之间的互信息
运算公式：
存在问题：倾向于选择稀疏词（先给出结论，稍后会有 实验结果展示）
特征词选择算法（五）基于信息论的方法
Information Gain(IG,信息增益熵，平均互信息)
VSM 模型：一般用在判别式分类模型中，如LR（对 数回归），SVM（支持向量机） 词袋子模型：一般用在生成式分类模型中，如朴素贝 叶斯词袋子模型也可以用在判别式模型中
模型的参数估计：EM算法（missing data likelihood）
特征词选择算法（一）
回顾文本分类的两种模式 有监督特征词选择算法：
编程思路
操纵数据库模块
int ConstructDictionary(DICTIONARY& mymap,FUNCSEG seg,string tablename);//从数据库 中读出文章，分词，过滤停用词建立词典 int GetArticleIdinEachClass(vector<string > labels,string tablename,map<string,vector<int> >&articleIdinEachClass );//获得训练集中每一类所包含的文章ID vector<string >GetClassification(string articleIds);//获得指定篇文章ID号集合分别对应的类别 string GetCategorizationInfoById(int articleId,string tablename);//获得指定ID号的文章ID信息 int Preprocess::GetManyVSM(int begin,int end,string tablename,DICTIONARY& mymap,D OCMATRIX& testingsetVSM,char*keywordsaddress)//为测试样本集合建立VSM模型
分类器的划分（三）
几种常见的产生式模型
Gaussian distribution Gaussian mixture model Multinomial distribution Hidden Markov model Naive Bayes AODE Latent Dirichlet allocation
返回
文档模型（一）
Bag of words or bowl(词袋模型或者碗模型) 思想：
词与词之间的概率分布条件独立 条件独立（在给定类别后每个词 条件独立 的概率分布与其他词无关） 单词生成的概率与它在文档中的位置无关 每篇文档看作是一“袋子”的词
应用举例：
朴素贝叶斯模型
文档模型（二）
Vector Space Model[VSM]（文档向量模型） 思想：
DF、卡方、点对点互信息、信息增益法提 取特征词对比（四）
DF、卡方、点对点互信息、信息增益法提 取特征词对比（五）
我的实验结论：
评价一个特征词是否是好词，一个特征词集合是否选择的合理。 主要看所选择的词是否具有类别标识性。所谓类别标识性有以 下两点含有：1。Distinctive for categorization：也就是说， 如果该词出现则可以以一个很大的概率将文章归为某类。2。 该词在它所“标识”的类别中应该频繁出现。DF法选择的特征 词满足第二个条件多一点；而点互信息法选择的特征词只满足 第一个条件多一点；而IG法和卡方法在满足两个条件方面达到 了均衡。所以 IG和卡方法性能差不多，优于DF法，DF优于点 互信息法。（注：这是我个人的一点见地，如有偏颇的地方欢 迎指正） 由此我们可以得出这样的结论： IG法，卡方法，虽然有抑制高 频词噪声和低频词噪声的能力，但是归根结底，这两种方法是 基于频率的经典 经典统计推断，不能够有效抑制全部高频词噪声， 经典 如果要提高特征词集合抑制高频词噪声的能力，可能要求诸于 贝叶斯统计推断。 贝叶斯
评估分类器的效果（EFFECTIVENESS）(一)
效果(effectiveness):这个术语来统称那些分类结果质 量的评价指标，包括正确率、召回率和F1值。
性能（performance):这个术语主要指的 是分类或者 IR系统的计算 计算效率。 计算
评估分类器的效果（EFFECTIVENESS）(二)
运算公式
存在问题
同IG法
几种特征词选择算法效果验证
训练语料库测试语料库情况说明
共有文化、历史、读书、社会与法制、娱乐，军事等 六个类别（其中文化，历史，读书，军事来自凤凰新 闻，社会与法制来自腾讯和新浪，娱乐类新闻来自网 易）。训练语料库中每个类别1000篇文章，共有 6000篇文章，测试语料库中每个类别有100篇文章， 共有600篇文章。