神经网络：文本分类
tensorflow
由于需要学习语音识别，期间接触了深度学习的算法。利用空闲时间，想用神经网络做一个文本分类的应用， 目的是从头到尾完成一次机器学习的应用，学习模型的优化方法，同时学会使用主流的深度学习框架（这里选择tensorflow）。
文章分为两部分，本文仅实现流程，用简单的softmax回归对文本进行分类，后面一篇文章再从流程的各个方面对模型进行优化，达到比较好的效果。
收集数据
该部分不是这里的重点，数据从各大新闻网站爬取新闻文本，分十类保存到本地，包括科技、生活、体育、娱乐等。文本分别保存到training_set和testing_set目录下，如：
$ tree -L 1 training_set/
training_set/
├── 10_hel
├── 1_ent
├── 2_fin
├── 3_spo
├── 4_tec
├── 5_mil
├── 6_soc
├── 7_lif
├── 8_cul
└── 9_car
文本以text_id.txt的格式保存在不同类的目录下（如text_1234.txt）。本例保存了共113673个训练文本和等数量的测试文本（暂时按1:1的比例）。
预处理文本
step0
为方便后面处理，预处理文本首先要分别针对训练文本和测试文本生成唯一的文本ID, 这里用 {class_id}{text_type}{text_id}.txt 来标示唯一文本，class_id为类的id，这里为1-10；text_type为数据类型包括train和test；text_id为类文件夹下的文本id，实现函数：。
def get_unique_id(self, data_dir):
"""
get flie unique id famate as {class_id}_type_{text_id}.txt.
data_dir is the full path of file
e.g ./training_set/4_tec/4_tec_text/text_2001.txt
where "training" is type, "4" is file class, and "2001" is text id.
modify this function to adapt your data dir fomate
"""
dir_list = data_dir.split("/")
class_id = dir_list[2].split("_")[0]
text_id = dir_list[4].split(".")[0]
type_id = dir_list[1].split("_")[0]
return class_id + "_" + type_id + "_" + text_id
step1: 分词
通俗来讲，文本分类的主要思想，是构建各类文本的汉语词典，通过对文本进行分析，观察文本中哪类词汇比较多，由此判断文本所属类别。因此，文本分类需要对文本进行分词操作，可以选择的分词工具很多，这里选择Python编写的jieba开源库对文本进行分词，并以行为单位，将文本保存到输出文件，该部分实现比较简单：
def splitwords(self, data_dir, data_type):
if os.path.exists(data_type+".txt"):
os.remove(data_type+".txt")
list_dirs = os.walk(data_dir)
for root, _, files in list_dirs:
print root
# get all files under data_dir
for fp in files:
file_path = os.path.join(root, fp)
file_id = self.get_unique_id(file_path)
#split words for f, save in file ./data_type.txt
with nested(open(file_path), open(data_type+".txt", "a+")) as (f1, f2):
data = f1.read()
#print data
seg_list = jieba.cut(data, cut_all=False)
f2.write(file_id + " " + " ".join(seg_list).replace("\n", " ")+"\n")
print "split word for %s file end." % data_type
return
函数传入参数为数据集目录路径，以及数据集类型（train or test）。结果文件保存形如train.txt，后续的操作在该输出文件基础之上。输出文件格式为:<class_{data_type}_id> < words >
step2: 去除停用词
这部分主要删去文本中的停用词，停用词包括一些对于文本分类无用，而且出经常出现的词汇或符号，如“因此”、“关于”、“嘿嘿”、标点符号等。去除停用词需根据停用词典，去除上面经过分词操作的文本中的停用词。停用词典可以根据自己需要生成或在网络上获得，这里后面源码链接中会给出使用的停用词词典。
def rm_stopwords(self, file_path, word_dict):
#read stop word dict and save in stop_dict
stop_dict = {}
with open(word_dict) as d:
for word in d:
stop_dict[word.strip("\n")] = 1
# remove tmp file if exists
if os.path.exists(file_path+".tmp"):
os.remove(file_path+".tmp")
print "now remove stop words in %s." % file_path
# read source file and rm stop word for each line.
with nested(open(file_path), open(file_path+".tmp", "a+")) as (f1, f2):
for line in f1:
tmp_list = [] # save words not in stop dict
words = line.split()
for word in words[1:]:
if word not in stop_dict:
tmp_list.append(word)
words_without_stop = " ".join(tmp_list)
f2.write(words[0] + " " + words_without_stop + "\n")
# overwrite origin file with file been removed stop words
shutil.move(file_path+".tmp", file_path)
print "stop words in %s has been removed." % file_path
return
代码中经过简单的按行读文本，然后搜索停用词典，如果文本中的词汇在词典中，则跳过，否则保存。这里每行对应数据集中的一个文本。
step3: 生成词典
上面提到文本分类需要得到能表征各类文本的汉语词典，这部分的主要思路是实现tf_idf算法自动提取关键词，根据词频（TF）和逆文档频率（IDF）来衡量词汇在文章中的重要程度。这里词频的计算采用公式：
tf
由于是衡量某类文本的关键词，公式中的“文章”为某类所有文本的总和。逆文档频率计算采用公式：
itf
上面的文档总数为train数据集所有文本的数目。tf-idf为两个指标的乘积，计算各类文本中所有词汇的tf-idf，由小到大排序，默认取前500个词汇作为该类的关键词保存到词典。最终生成大小为5000的词典。简洁考虑，该部分的关键代码（gen_dict方法中）：
for k, text_info in class_dict.items():
#print "class %s has %d words" % (k, text_info.file_num)
# get tf in words of class k
for w in text_info.wordmap:
text_info.tf_idf(w, word_in_files[w], text_num)
main_words = []
with open(save_path, "a+") as f:
main_words = text_info.get_mainwords()
print "class %s : main words num: %d" % (k, len(main_words))
f.write("\n".join(main_words) + "\n")
class_dict是类id到该类文本信息(text_info)的字典，text_info.wordmap保存了该类文本的所有不重复的词汇，text_info.tf_idf方法计算该类文本某词的tf-idf，输入参数为词汇，词汇在整个语料库出现的文本数和语料库的文本数。text_info.get_mainwords方法得到该类本前500个关键词。完整的定义与实现参考源码。
step4: 生成词袋
该部分实现向量化文本，利用生成的词典，以行为单位将去停用词后的文本转换为向量，这里向量为5000维。如果文本出现词典中的某词汇，则文本向量对应词典中该词汇的位置的计数累加。最终生成文件，行数为文本数，列为5000。此外生成对应的label文件，行数为文本数，对应于文本向量文件行，列为1，对应某文本的类别（1-10）。该部分代码比较简单，实现在gen_wordbag方法中。
到此完成了文本的预处理，接下来针对不同分类算法，将有不同的处理，这里参考tensotflow处理MNIST数据集，读取预处理后的文本到系统，进行线性回归。
读取训练数据
该部分主要包括两部分，一是从磁盘读取向量化后的文本保存到numpy数组，将数据和类别分别存储，数据保存为二维(text_line_num, 5000)的数组，text_line_num为数据集的文本数，5000为词典的维度，也是后面模型输入参数的个数。类别保存为标签向量(label_line_num, 1)，label_line_num,同样为数据集的大小。
为方便处理，将类别10的标签保存为0，并对label进行“one_hot”处理，这部分解释可参考上个tensotflow链接。该部分在datasets类中实现。需要注意的是这里train部分数据最为cv（cross validation）数据，这里暂时不会用到。此外，由于数据较多，为节省内存，提高整体运算速度，分别读取train数据集和test数据集。dataset类中保存不同类型的数据集，并实现next_batch方法，获取指定数目的数据。
训练数据
该部分利用softmax回归对数据进行训练，对于tensorflow的使用这里不作介绍。完整代码如下：
#!/usr/bin/python
#-*-coding:utf-8-*-
import tensorflow as tf
from datasets import datasets
data_sets = datasets()
data_sets.read_train_data(".", True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 5000])
W = tf.Variable(tf.zeros([5000, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = -tf.reduce_sum(y_ * tf.log(y + 1e-10))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#training
tf.global_variables_initializer().run()
saver = tf.train.Saver()
for i in range(1000):
batch_xs, batch_ys = data_sets.train.next_batch(100)
train_step.run({x: batch_xs, y_: batch_ys})
print W.eval()
print b.eval()
path = saver.save(sess, "./model2/model.md")
代码中：
- x ： 对于输入数据，None占位符标示输入样本的数量，5000为单个样本的输入维度，对应字典维度。
- W ：权重矩阵，行为输入维度，列为输出维度，这里为类别的数目10。
- b : 偏重为10对应输出的维度
- y : 定义训练输出结果，使用softmax作为激励函数，tf.matmul(x, W) + b为输入参数，tf.matmul为矩阵乘。
- y_ : 真实样本的类别，从数据集读入，None占位符标示输入样本的数量，10为输出的维度。
- cross_entropy： 交叉熵，衡量真实值与预测值的偏差程度，训练过程中目的是最小化该值。
训练对cross_entropy进行梯度下降算法更新参数，学习率为0.01。迭代1000次，每次使用100个训练集。最后保存训练的模型到指定目录。
测试模型
这部分主要读取上面保存的模型参数，对测试数据集进行预测，并打印准确率。
!/usr/bin/python
#-*-coding:utf-8-*-
import tensorflow as tf
from datasets import datasets
data_sets = datasets()
data_sets.read_test_data(".", True)
sess = tf.InteractiveSession()
x = tf.placeholder(tf.float32, [None, 5000])
W = tf.Variable(tf.zeros([5000, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
saver = tf.train.Saver()
saver.restore(sess, "./model2/model.md")
# test
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
acc = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(acc.eval({x: data_sets.test.text, y_: data_sets.test.label}))
小结
直接通过上面过程训练模型，得到的准确率大概为65%，虽然比10%高出许多，仍然属于比较低的准确率。在后面一篇文章重点对上面的过程进行改进，提高预测的准确性。
此外，值得一提的是，一开始，直接参考tensorflow官网给的例子进行训练会出现准确率为0的现象，观察TensorBord，发现权重和偏重一直不更新，打印W和b发现值为Nan，最后找到问题所在：
使用交叉熵作为cost function，由于文本矩阵为严重稀疏矩阵，导致出现y_ * tf.log(y)结果为0*log0的现象。导致训练参数为Nan，给预测值加一个极小的值，防止与测试为0。
