基于的朴素贝叶斯的文本分类（附完整代码(spark/java）

本文主要包括以下内容：
1）模型训练数据生成（demo）
2 ) 模型训练（spark+java）,数据存储在hdfs上
3）预测数据生成（demo）
4）使用生成的模型进行文本分类。

一、训练数据生成

spark mllib模型训练的输入数据格式通常有两种，一种叫做 LIBSVM 格式，样式如下：
label index1:value1 index2:value2
label为类别标签，indexX为特征向量索引下标，value为对应的那维的取值。
另一种格式样式如下：
label f1,f2,f3,…,fn
fx为特征取值
两种格式的文件，分别可以通过方法：
org.apache.spark.mllib.util.MLUtils.loadLibSVMFile
org.apache.spark.mllib.util.MLUtils.loadLabeledData
读取。
我们这里采用第一种格式。

现在开始正式生成这种格式的数据文件。在模型训练阶段，会直接从这个文件中读取数据训练。这个后面会讲到。
我们这里假设对于文本，我们已经提取了关键词作为特征。特征列表如下：
features = [w1,w2,w3,…,wn]
同时，文本的主题（类别）集为：
topics = [t1,t2,…tm]
然后有很多的经过简单处理（分词，去停用词等）得到训练数据，每行的格式大概如下：
t2 w1,w23,w34,w1,…
我们直接将词频当做特征的取值。下面是生成libsvm格式的python代码，仅供参考：

    for info in result:
        sstr = ""
        topic_name = info[0] #主题名
        content = str(info[1]).split() #处理后的文本内容（词列表）
        index = topics.index(channel_name)
        sstr += str(index)
        features_val = ""
        for i,word in enumerate(features):
            freq = content.count(word)
            if freq:
                features_val += " "
                features_val += str(i+1) + ":" + str(freq)
        if not features_val:continue
        sstr += features_val
        #bayes_data.write(sstr+"\n")
        print n
        n += 1
    hdfs_client.write_list(sstr_lst,BAYES_DATA_PATH)#写到hdfs指定路径        

这样，训练数据就算生成完成了。

二、模型训练

这步就简单了。spark官网上有例子，直接拿来用就行了。现在贴出略做调整后的java代码：

public static void training(JavaSparkContext jsc){
        String path = "data/libsvm_data.txt";

         JavaRDD<LabeledPoint> inputData = MLUtils.loadLibSVMFile(jsc.sc(), path).toJavaRDD();
         JavaRDD<LabeledPoint>[] tmp = inputData.randomSplit(new double[]{0.6, 0.4}, 12345);
         JavaRDD<LabeledPoint> training = tmp[0]; // training set
         JavaRDD<LabeledPoint> test = tmp[1]; // test set
         final NaiveBayesModel model = NaiveBayes.train(training.rdd());
         JavaPairRDD<Double, Double> predictionAndLabel =
           test.mapToPair(new PairFunction<LabeledPoint, Double, Double>() {
             @Override
             public Tuple2<Double, Double> call(LabeledPoint p) {
               return new Tuple2<Double, Double>(model.predict(p.features()), p.label());
             }
           });
         double accuracy = predictionAndLabel.filter(new Function<Tuple2<Double, Double>, Boolean>() {
           @Override
           public Boolean call(Tuple2<Double, Double> pl) {
             return pl._1().equals(pl._2());
           }
         }).count() / (double) test.count();
        //System.out.println(accuracy);
         // Save and load model
         model.save(jsc.sc(), "target/tmp/NaiveBayesModel");
    }

如何执行这个任务？
具体完整的代码大家可以从spark的项目上找，或者看本文最后贴出的补充部分代码，基本也就全了。
把代码所在的工程打包（jar）,比如打包为XX.jar。
然后执行命令：
spark-submit –class “yourclass” –master yarn XX.jar
就可以了。打包，已经spark-submit命令就不要详细讲了吧？
模型训练完成，可以打印模型的评测结果（准确率），并且将模型保存到hdfs上。注意上面的两个路径都是指hdfs上的路径。

三、使用模型对文本进行分类

拿来展示分类的文本数据生成过程就不介绍了。和模型数据生成一样。基本就是对你的文章分词等，然后转换成libsvm格式的文件，放到hdfs上。下面直接上分类的代码：

public static void predict(JavaSparkContext jsc){
        NaiveBayesModel sameModel = NaiveBayesModel.load(jsc.sc(), "target/tmp/NaiveBayesModel");
        String path = "/data/pred_data.txt";
        JavaRDD<String> rdd = jsc.textFile(path);

        for(String features:rdd.collect()){
            //System.out.println(features);
            String[] feature_str_lst = features.split(",");
            double[] feature_lst = new double[feature_str_lst.length];
            for(int i = 0;i<feature_str_lst.length;i++){
                feature_lst[i] = Double.parseDouble(feature_str_lst[i]);
            }
            System.out.println(sameModel.predict(Vectors.dense(feature_lst)));

        }

    }

执行后的结果正常情况你会看到如下的输出：（框起来的都是预测的类别）

还不会，没有执行完整个demo？
代码main()方法的也贴给你们：

public static void main(String[] args){
        SparkConf sparkConf = new SparkConf().setAppName("JavaNaiveBayesExample");
         JavaSparkContext jsc = new JavaSparkContext(sparkConf);
         //training(jsc);
         predict(jsc);
    }

好了。讲完了，是不是很简单。实现很简单，算法原理也很简单。有兴趣就自己去研究吧。