【 文智背后的奥秘 】系列篇 ： 自动文本分类

一.自动文本分类

概述文本分类，顾名思义，就是将一篇文档归为已知类别中的一类或者几个类，为了实现自动分类的目标，通常有以下几个步骤：

1. 构建分类类别体系
2. 获取带有类别标签的训练数据
3. 训练数据的文本表达及特征选择
4. 分类器的选择与训练
5. 分类应用数据

给定一篇待分类的文档，若对其进行自动分类，通常需要把文档表达成机器可以处理的数据类型。目前常用的文本表达方式有向量空间模型（VSM），即把文档映射为一个特征向量

其中ti为文档分词后的词条项，w（ti）为相应词条项的权重。

我们的自动文本分类系统，为用户提供自动文本分类服务，平台已对文本分类的模型算法进行了封装，用户只需提供待分类的文本数据，而不必关注具体的实现，通过平台就能得到提供文本的所属类别。目前平台能识别类别囊括了软件、影视、音乐、健康养生、财经、广告推广、犯罪、政治等40多个类别，且系统算法支持快速迭代更新已有类别及增加新类别。

二．自动文本分类系统

1.系统主要框架

目前我们的自动分类系统框架如图1.1所示。系统主要分为三大块：系统输入层、系统算法封装层和输出层。其中系统的输入可包含四个部分：包含文本的url、主标题和副标题及正文部分，其中前三个输入串可选；系统的算法封装层，封装了对文本目标进行分类的分类器及算法模型的迭代更新；系统的输出为该文档所属的类别。

图1.1 自动分类系统框图

2.系统关键技术

2.1 类别体系

目前我们系统构建的类别体系主要基于网页内容分类体系，主要类别涵盖了旅游资讯、游戏、人物访谈介绍、体育、音乐、影视、软件、文学、健康、美食、财经、教育、广告推广、犯罪类别、自然灾害、政治等40多个类别。每个类别体系下对应一个与类别相关的词特征文件。词特征文件的生成及挖掘更新，文章后面会有提及。此类别体系，易扩展，增加新的类别时，若与旧体系类别无交叉，则直接添加该类别及生成一个对应的词特征文件，原有类别体系不变。若为旧体系类别中的子类别时，只需分拆原有体系中对应的大类类别，即对该大类类别词特征文件分拆即可，别的类别词特征文件不变。图2.0为系统类别体系的一个缩略的层级结构。

图2.0 类别体系层级结构

2.2 分类相关技术

2.2.1 概述

从图1.1中可以看到，我们的分类系统输入支持四个维度的特征：

• 包含输入文档内容的url网址（可选）
• 文档的主标题（可选）
• 文档的副标题（可选）
• 文档的正文

直观上来说，url网址中的某些模式和类别呈现很强的正相关性。比如url包含“video”字符串，那么该url对应的文档分为影视类的概率就很大。同理，文档的标题所属的类别往往决定文档的最终类别。下图2.1为分类器分类的主要流程。其中数据预处理主要包括数据去噪、去重等，各个分类器请参见下节。

图2.1 分类器分类主要流程

2.2.2 分类模型

目前流行的分类算法有决策树、基于规则的分类、朴素贝叶斯、支持向量机SVM、逻辑回归、神经网络等。我们的自动分类系统根据目前类别体系及应用场景，最终采用了朴素贝叶斯+规则相结合的方法。

2.2.3 特征选择

从分类流程可看出，系统支持对url和文本内容分别分类，最后通过类别投票打分方式确定最终的类别输出。从系统的输入数据来看，提取的特征主要包括：url域特征和文本词特征。Url域特征通过简单的串分割即可得到，文本词特征可利用分词软件进行切分。文档通过分词之后，会包含大量的词。而有些词，如“的”、“很好”等对类别不具有区别性。因此需要通过特征选择方法来选择一批类别相关的词特征。常用的特征选择方法有基尼系数、互信息、信息增益、卡方统计等。通过比较，最终系统卡方统计方法来进行特征选择。图2.2为系统采用的特征选择流程。流程输入为类别的正样本和负样本。通过文档分词之后，可通过简单的词的idf及词性对词进行过滤。然后对于最后保留的词计算词与类别的卡方值，通过设置一个合理卡方值阈值及词个数阈值，选取大于阈值的词作为该类的特征词。对于最后选出的特征词，通过tf*idf及归一化后的卡方值来确定该词的权重。Url域特征文件生成方法亦类似。

图2.2 类别特征选择流程

2.2.4 类别在线预测与特征词的离线挖掘

通过上面特征选择方法之后，最终系统会为类别体系中的每个类别生成类别词特征文件。为了提高分类时的时间性能，系统会为特征文件生成trie-tree，这样能更快的匹配命中的特征，而无需对全文档进行分词。考虑到输入的正文的长度，在实际分类时，算法会对正文按一定长度进行切分分别分类，最后加权综合得到正文的分类类别。目前，针对输入的文档，系统提供4个预测器分别给出url、主标题、副标题、正文的分类类别结果。为了判别出输入文档的最终类别，算法采用加权各个分类结果，最后投票得出。公式如下式所示：

其中加权权重wi可通过ada-boost学习算法训练得到。系统最终输出的是文档分为系统所支持的各个类别的得分。

上述分类算法对文档进行分类后，得到带有类别标签的文档数据,这部分数据可作为类特征词更新补充离线挖掘流程的输入集。图2.3给出了类别在线预测与特征离线挖掘流程。

图2.3 在线预测与离线挖掘流程

图2.3可看出，离线挖掘流程复用在线预测的分类部分，得到挖掘流程的输入数据，通过离线挖掘，更新类别的词特征，进而反馈给输入端，用于改进下一次的分类模型，如此则形成预测、更新的闭环。

图2.3中的特征离线挖掘，系统主要采用以下两种方式完成：

方式一： 把经过分类后的文本数据，即带有类别标签的数据，经过图2.2所示的特征挖掘流程得到类增加的特征集。由于输入的数据为直接系统分类后的数据，非人工标注的样本数据，因此，为了增加挖掘的特征准确性和可用性，经算法挖掘后的特征需要经过人工进行标注，并与旧特征集排重合并，最终离线迭代更新类的特征集。

方式二： 选取大批量数据进行主题模型（topic model）聚类训练（如LDA/word2vec聚类），得到隐含主题及描述该主题的特征词文件。再把经过分类后的文本数据用训练得到的隐含主题进行表征描述，通过卡方检验方法选择与类别相关的top N个主题，合并这些主题下的特征文件，同样经过人工标注剔除噪声特征，并与旧特征集排重合并，最终离线迭代更新类的特征集。

图2.4类特征离线挖掘两种方式

方式一和上述讲到的特征选择方法类似。方式二则基于图2.5所示直观理解所实现，即一篇文档可由多个抽象主题进行表达，而每个主题可直接由词特征集来表示。比如说一个典型的交通事故类别文章，可能会命中很多汽车类别中的汽车类型名，如“宝马”、“大货车”，同时也可能命中犯罪类别中的经常出现的“伤亡”、“死亡”等特征词。语义层面上，把文档用主题进行表达，可用相关的主题模型算法得到。本系统使用开源工具word2vec把词按隐含主题进行聚类。在主题模型聚类过程中，需要指定训练语料的隐含主题数，鉴于当前的应用场景，设定主题数为5000。通过word2vec工具得到的词特征集，覆盖面全且语义相近，能很好解决类别词特征覆盖的长尾问题。

图2.5 文档、主题、特征集关系表示

3.系统关键指标

• 分类时间性能：单进程、平均每条数据长度2kb，1500条/秒
• 分类准确率：类别体系中分类准确率平均80%以上

4.系统应用

系统最初为网页抽取或转码时对网页进行分类。经过不断的迭代更新，目前系统适应的场景更加广泛，如微博等社交消息的分类处理与应用、网络热门话题识别与应用等。图4.1为系统分类的效果图示例。

图4.1 文本分类效果图