基于機器學(xué)習(xí)的文本分類技術(shù)分析與研究

王丁

摘? ?要：在大數(shù)據(jù)時代下，每天會產(chǎn)生海量的文本信息，為實現(xiàn)對海量文本信息的高效利用，就必須運用文本分類技術(shù)剔除信息中的冗余信息，并對文本進行自動分類，在分類文本中提取出具有使用價值的信息，為信息檢索與數(shù)據(jù)挖掘技術(shù)的應(yīng)用打下基礎(chǔ)。在信息數(shù)據(jù)爆發(fā)式增長的環(huán)境下，文本分類技術(shù)已經(jīng)成為數(shù)據(jù)挖掘、信息檢索以及提高信息資源利用價值的重要技術(shù)。本文從概述文本分類技術(shù)入手，將隨機森林算法作為重點，研究了基于機械學(xué)習(xí)的文本分類技術(shù)，期望對提高文本分類性能有所幫助。

關(guān)鍵詞：機器學(xué)習(xí)? 文本分類技術(shù)? 隨機森林算法

中圖分類號：TP391.1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2020）03（b）-0090-02

本文提出一種基于機器學(xué)習(xí)的文本分類技術(shù)，該技術(shù)可應(yīng)用于網(wǎng)頁新聞分類、垃圾郵件識別、網(wǎng)絡(luò)評論分類等領(lǐng)域，具有良好的應(yīng)用前景。

1? 文本分類技術(shù)

文本分類是基于自然語言處理技術(shù)框架下對單詞、句子、段落等文本類別標(biāo)簽作出判斷的一種技術(shù)，屬于監(jiān)督學(xué)習(xí)方法。文本類別來自于自定義的類別，類別標(biāo)簽可為任意數(shù)量。根據(jù)類別的不同，文本分類包括單層分類與多層分類兩種形式，單層分類的類別標(biāo)簽數(shù)量為一個，多層分類的類別標(biāo)簽數(shù)量為多個。基于機器學(xué)習(xí)的文本分類任務(wù)的完成，實質(zhì)上是函數(shù)映射的過程，具體包括以下五個方面。

1.1 文本預(yù)處理

在文本分類之前需對原始數(shù)據(jù)進行預(yù)處理，剔除原始數(shù)據(jù)中的噪聲，將其轉(zhuǎn)變?yōu)橐?guī)范的格式。在文本預(yù)處理中，可采用基于詞典匹配或基于統(tǒng)計的分詞算法進行文本分析，如針對中文文本可采用漢語分詞系統(tǒng)ICTCLAS進行分詞。文本預(yù)處理還要去掉連詞、介詞、語氣助詞等無實際意義的停用詞，以節(jié)省文本存儲空間。

1.2 文本表示

在基于機器學(xué)習(xí)的文本分析中，向量空間模型是常用的文本表示方法之一，該模型分為以下兩種版本：（1）詞袋模型。在文本表示中無需考慮文本結(jié)構(gòu)要素之間的關(guān)系，將各要素視為獨立項，根據(jù)詞出現(xiàn)的頻率設(shè)置計算權(quán)重。（2）詞的分布表示。該表示方法可分為基于矩陣、基于聚類和基于神經(jīng)網(wǎng)絡(luò)三種類型的詞的分布模型，其中最后一種分布表示模型可解決前兩種模型存在的維數(shù)災(zāi)難問題。

1.3 空間降維

對高維特征矩陣需要進行空間降維，以避免原始數(shù)據(jù)過于龐大而造成計算機計算能力超負(fù)荷運行。在空間降維中，可采用特征選擇與特征提取兩種降維方式。其中，特征選擇可利用卡方統(tǒng)計、交叉熵、文檔頻率閾值等方法提取分類中有用的特征;特征抽取可采用成本分析、線性判別分析等方法提取出低緯度的特征。通過空間降維提取特征，可以保證所提取的特征符合文本語義描述。

1.4 分類模型訓(xùn)練

分類模型訓(xùn)練是基于機器學(xué)習(xí)的文本分類關(guān)鍵技術(shù)，包括單重分類器方法和多分類器方法。（1）單重分類器方法包括貝葉斯分類、支持向量機、K最近鄰、決策樹等方法。前三種方法均存在一定局限性，如分類精度不足、數(shù)據(jù)處理效率低以及對存儲資源和計算能力要求高。而決策樹能夠?qū)?shù)據(jù)型和異常樣本進行同時處理，保證輸出結(jié)果的精確度，所以本文采用決策樹方法對基于隨機森林算法的文本分類技術(shù)進行研究;（2）多分類器方法包括隨機森林、Bagging等，通過組合單分類器的決策結(jié)果得出樣本分類，適用于小規(guī)模數(shù)據(jù)和少類別文本分類。

1.5 分類性能評價

文本分類性能評價根據(jù)數(shù)據(jù)集、評價指標(biāo)、評價測試策略進行評價。其中，數(shù)據(jù)集要求易于清理，適合分類實驗任務(wù);評價指標(biāo)主要包括針對文本分類準(zhǔn)確性、錯誤率、F均衡、召回率、ROC曲線等評價指標(biāo);K折交叉驗證是評價測試的有效策略，通過隨機將數(shù)據(jù)集劃分為不同的k個子集，對各個子集進行測試，重復(fù)k次，取平均正確率，即為測試結(jié)果。

2? 基于機器學(xué)習(xí)的文本分類技術(shù)

本文選取機器學(xué)習(xí)中的隨機森林算法對文本分類技術(shù)進行研究，對算法過程、算法評價指標(biāo)、算法特點以及算法優(yōu)化進行分析，以提高文本分類的性能。隨機森林算法集合了CART決策樹算法和Bagging集成算法，涵蓋多個決策樹分類器集合，可解決回歸與分類問題，將最大票數(shù)的類別作為文本分類結(jié)果。

2.1 算法過程

隨機森林算法的具體過程如下：對每棵決策樹均生成訓(xùn)練集，樣本數(shù)量為N，從原始訓(xùn)練中抽取n個樣本，n≤N，形成訓(xùn)練子集;在每個訓(xùn)練子集中提取M數(shù)量的特征屬性，并從特征屬性中選取m個特征屬性組成特征子空間，m≤M，構(gòu)成隨機特征子空間。遵循基尼系數(shù)最小原則，在特征子空間中選擇最優(yōu)屬性，開始分類節(jié)點，將所有訓(xùn)練樣本都進行完全分裂，最終形成決策樹;重復(fù)上述步驟，構(gòu)建k棵決策樹，生成隨機森林，按照隨機森林決策模型進行最終決策，最大投票數(shù)的類是最終分類結(jié)果。

2.2 算法評價

在隨機森林算法評價中，可選取分類效果與運行效率兩大類評價指標(biāo)：（1）分類效果評價指標(biāo)。該類評價指標(biāo)除了可選取上文提出的分類性能評價指標(biāo)之外，還可選用泛化能力指標(biāo)。泛化能力主要用于反映機器學(xué)習(xí)算法對新樣本的適應(yīng)性，可采用OOB（袋外數(shù)據(jù)）估計方法進行評價。OOB估計法對隨機森林中錯誤分類樣本數(shù)量進行統(tǒng)計，計算該數(shù)量所占隨機森林樣本總數(shù)的比重，得出OOB誤分率，用以評價文本分類性能;（2）運行效率評價。該評價指標(biāo)可從計算所需的時間與空間資源兩個方向進行選取，其中時間資源包括算法編譯時間、執(zhí)行命令時間、重復(fù)執(zhí)行算法時間等評價指標(biāo)，空間資源包括靜態(tài)存儲空間、輸出數(shù)據(jù)空間、算法輸入空間以及可變存儲空間等評價指標(biāo)。

2.3 算法分析

隨機森林算法通過組合決策樹，隨機選取樣本和樣本特征，可有效提高算法的降噪能力。避免決策樹在生成過程中出現(xiàn)過度擬合問題，以達(dá)到良好的高維度數(shù)據(jù)處理效果。同時，基于Bagging集成算法的機械學(xué)習(xí)算法，能夠保證各個決策樹之間相互獨立，提高算法模型的運行效率。但是，在復(fù)雜原始數(shù)據(jù)中基于隨機森林算法的文本分類存在著一定的應(yīng)用弊端。如，需要考慮強分類器與弱分類器，易降低分類結(jié)果的精確度;算法中擁有許多超參數(shù)，使得算法受決策樹數(shù)量、最大特殊特征數(shù)、最小樣本數(shù)等超參數(shù)影響而降低文本分類的性能。所以，仍需要基于隨機森林算法對文本分類技術(shù)進行優(yōu)化。

2.4 算法優(yōu)化

下面針對隨機森林算法的不足進行優(yōu)化，優(yōu)化內(nèi)容包括以下方面：（1）投票機制優(yōu)化。采用決策樹分類效果評價指標(biāo)，計算袋外數(shù)據(jù)的分類正確率，將原本輸出樣本的類標(biāo)簽轉(zhuǎn)變?yōu)檩敵鰳颖痉诸惖母怕?，分類正確率越高，則表明決策樹分類效果越好。同時，還要結(jié)合采用類概率加權(quán)投票方法，計算測試樣本中每一個類的概率，將加權(quán)值最大的類作為分類結(jié)果;（2）超參數(shù)優(yōu)化。結(jié)合采用隨機搜索算法和網(wǎng)絡(luò)搜索算法對隨機森林超參數(shù)進行優(yōu)化，獲取最優(yōu)值組合，得出近似最優(yōu)解，即得到最后的分類結(jié)果。

3? 結(jié)語

總而言之，文本分類技術(shù)是大數(shù)據(jù)時代下信息數(shù)據(jù)處理的關(guān)鍵技術(shù)之一?；跈C器學(xué)習(xí)的文本分類技術(shù)，可利用隨機森林算法作為文本分類方法，在優(yōu)化算法的基礎(chǔ)上，進一步完善文本預(yù)處理、文本空間降維、文本分類性能評價的過程，用以彌補傳統(tǒng)文本分類方法的不足，進而提高隨機森林算法的計算能力和文本分類性能。

參考文獻(xiàn)

[1] 韋靈，倪志平.基于自然語言處理和機器學(xué)習(xí)的文本分類及其運用[J].科技視界，2019（9）：136-137.

[2] 向志華，鄧怡辰.基于機器學(xué)習(xí)的文本分類技術(shù)研究[J].軟件，2019（9）：140-142.

[3] 王國薇.基于深度學(xué)習(xí)的文本分類方法研究[D].新疆大學(xué)，2019.

[4] 姜璐.基于深度學(xué)習(xí)的新聞文本分類模型研究[D].山東師范大學(xué)，2019.

[5] 周陽.基于機器學(xué)習(xí)的醫(yī)療文本分析挖掘技術(shù)研究[D].北京交通大學(xué)，2019.