【中文文本分类实战系列】朴素贝叶斯实现THUCNews文本分类

THUCNews数据集

数据集背景

THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。清华大学自然语言处理实验室在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。数据集介绍转自：THUCTC: 一个高效的中文文本分类工具包。本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的子集，该数据集使用了其中的10个分类，每个分类6500条，总共65000条新闻数据。

数据集下载

• 官方链接：THUCTC: 一个高效的中文文本分类工具包，提供个人信息后即可下载；
• 共享下载链接：下载链接1（提取码：5e76），下载链接2（提取码：qfud）；

数据集介绍

本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的子集，数据集共有4个文件，具体如下：

• cnews.train.txt：训练集（10*5000，一共50000条数据）
• cnews.test.txt：测试集（10*1000，共10000条数据）
• cnews.test.txt：验证集（10*500，共5000条数据）
• cnews.vocab.txt：停用词表（共5000条数据）

数据预处理

数据导入

import pandas as pd
# 数据加载
train_df = pd.read_csv("./data/cnews.train.txt", sep='\t', names=['label', 'content'])
test_df = pd.read_csv("./data/cnews.test.txt", sep='\t', names=['label', 'content'])
print(train_df.info())
print(test_df.info())
print(train_df.head(5))
print(test_df.head(5))

训练集和测试集的前5个数据样本信息具体如下：

中文分词、去停用词

import jieba

X_train = train_df['content']
y_train = train_df['label']
X_test = test_df['content']
y_test = test_df['label']


# 数据预处理
def cut_content(data):
    """
    利用jieba工具进行中文分词
    :param data: 数据
    :return:
    """
    words = data.apply(lambda x: ' '.join(jieba.cut(x)))
    return words


# 加载停用词表
stopwords_file = open('./data/cnews.vocab.txt', encoding='utf-8')  
stopwords_list = stopwords_file.readlines()
stopwords = [x.strip() for x in stopwords_list]

特征工程

TF-IDF提取特征

from sklearn.feature_extraction.text import TfidfVectorizer

# TF-IDF提取特征
tfidf_vector = TfidfVectorizer(stop_words=stopwords, max_features=5000, lowercase=False, sublinear_tf=True, max_df=0.8)
tfidf_vector.fit(cut_content(X_train))
X_train_tfidf = tfidf_vector.transform(cut_content(X_train))
X_test_tfidf = tfidf_vector.transform(cut_content(X_test))
print(X_train_tfidf.shape)  # (50000, 5000)
print(X_test_tfidf.shape) # (10000, 5000)

卡方统计量进行特征选择

from sklearn.feature_selection import SelectKBest, chi2

# 利用卡方统计量进行特征选择
selector = SelectKBest(chi2, k=3000)
X_train_tfidf_chi = selector.fit_transform(X_train_tfidf, y_train)
X_test_tfidf_chi = selector.transform(X_test_tfidf)
print(X_train_tfidf_chi.shape) # (50000, 3000)
print(X_test_tfidf_chi.shape) # (10000, 3000)

模型训练：贝叶斯模型

from sklearn.naive_bayes import MultinomialNB

clf_nb = MultinomialNB(alpha=0.2)  # 模型参数可以根据分类结果进行调优
# 使用TF-IDF作为特征向量
clf_nb.fit(X_train_tfidf, y_train)  # 模型训练
y_pred = clf_nb.predict(X_test_tfidf)  # 模型预测

# 使用TF-IDF+chi作为特征向量
clf_nb.fit(X_train_tfidf_chi, y_train)  # 模型训练
y_pred_chi = clf_nb.predict(X_test_tfidf_chi)  # 模型预测

模型评估

from sklearn.metrics import classification_report, confusion_matrix

# 测试集准确率
print(clf_nb.score(X_test_tfidf, y_test)) # 0.9177
print(clf_nb.score(X_test_tfidf_chi, y_test))  # 0.9226

# 查看各类指标
print(classification_report(y_test, y_pred)) 
print(classification_report(y_test, y_pred_chi)) 

# 查看混淆矩阵
print(confusion_matrix(y_test, y_pred))
print(confusion_matrix(y_test, y_pred_chi))