AI夏令营第三期 - 基于论文摘要的文本分类与关键词抽取挑战赛笔记

赛题：基于论文摘要的文本分类与关键词抽取
背景：高效的从海量医学文献中提取疾病诊断和治疗关键信息
任务：通过论文摘要判断论文是否为医学文献 样例
数据集：csv文件，字段：标题、作者、摘要、关键词
评价指标：F1_score
解题思路：文本分类任务
思路一：特征提取+机器学习
数据预处理->特征提取->构建训练集和测试集->模型训练和评估->调参优化
数据预处理： 文本清洗（去除特殊字符、标点符号）
分词
NLP工具包（NLTK\spaCy）
特征提取： 文本转换为向量表示
TF-IDF（词频-逆文档频率）：计算文本中词语的重要性
BOW（词袋模型）：统计词语在文本中的出现次数
使用scikit-learn库的TfidfVectorizer或CountVectorizer来实现
构建训练集和测试集：分割预处理后的数据
模型训练和评估：训练集训练模型，测试集评估结果
调参优化：调整参数
机器学习baseline：
LogisticRegression模型
实则为一个线性分类器，通过 Logistic 函数(或
Sigmoid 函数)，将数据特征映射到0～1区间的一个概率值（样本属于正例的可能性），通过与 0.5 的比对得出数据所属的分类（二分类）。逻辑回归的数学表达式为：

使用 sklearn.linear_model.LogisticRegression 来调用已实现的逻辑回归模型

								Pandas：Python 语言的一个扩展程序库，用于数

据分析，基础是Numpy
scikit-learn：内部封装了多种机器学习算法与数据处理算法，提供了包括数据清洗、数据预处理、建模调参、数据验证、数据可视化的全流程功能

特征提取：
即从训练数据的特征集合中创建新的特征子集的过程。
提取出来的特征子集特征数一般少于等于原特征数，但能够更好地表征训练数据的情况，使用提取出的特征子集能够取得更好的预测效果。
训练数据的每一个维度称为一个特征
可以使用 sklearn 库中的 feature_extraction 包来实现文本与图片的特征提取。
在 NLP 任务中，特征提取一般需要将自然语言文本转化为数值向量表示，常见的方法包括基于 TF-IDF（词频-逆文档频率）提取或基于 BOW（词袋模型）提取

TF-IDF(term frequency–inverse document frequency)：一种用于信息检索与数据挖掘的常用加权技术
TF 指 term frequence，即词频，指某个词在文章中出现次数与文章总词数的比值
IDF 指 inverse document frequence，即逆文档频率，指包含某个词的文档数占语料库总文档数的比例的倒数。
每个词最终的 IF-IDF 即为 TF 值乘以 IDF 值。计算出每个词的 TF-IDF 值后，使用 TF-IDF 计算得到的数值向量替代原文本即可实现基于 TF-IDF 的文本特征提取。
使用sklearn.feature_extraction.text 中的 TfidfVectorizer 类来简单实现文档基于 TF-IDF 的特征提取

BOW（Bag of Words）是一种常用的文本表示方法，其基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。
使用 sklearn.feature_extraction.text 中的 CountVectorizer 类来简单实现文档基于频数统计的 BOW 特征提取

停用词(Stop Words)是自然语言处理领域的一个重要工具，通常被用来提升文本特征的质量，或者降低文本特征的维度。
忽略一些不能提供有价值的信息作用的词语

划分数据集：训练集、验证集、预测集
同分布采样划分训练集和验证集
交叉验证，即对于一个样本总量为 T 的数据集，我们一般随机采样 10%~20%（也就是 0.1T~0.2T 的样本数）作为验证集，而取其他的数据为训练集。
使用 sklearn.model_selection 中的 train_test_split 函数便捷实现数据集的划分

选择机器学习模型：

• sklearn.linear_model：线性模型，如线性回归、逻辑回归、岭回归等
• sklearn.tree：树模型，一般为决策树
• sklearn.neighbors：最近邻模型，常见如 K 近邻算法
• sklearn.svm：支持向量机
• sklearn.ensemble：集成模型，如 AdaBoost、GBDT等
  先实例化一个模型对象，再使用 fit 函数拟合训练数据，最后使用 predict 函数预测测试数据

数据探索：
使用pandas读取数据
利用pd.read_csv（)方法对赛题数据进行读取，读取后返回一个DataFrame 数据

数据清洗：
数据和特征决定了机器学习的上限
数据清洗的作用是利用有关技术如数理统计、数据
挖掘或预定义的清理规则将脏数据转化为满足数据质量要求的数据。主要包括缺失值处理、异常值处理、数据分桶、特征归一化/标准化等流程。
由于表格中存在较多列，我们将这些列的重要内容组合在一起生成一个新的列方便训练
如果数据集中某行缺少title author abstract中的内容，我们需要利用fillna()来保证不会出现报错。

特征工程：
把原始数据转变为模型训练数据的过程，目的是获取更好的训练数据特征。比如BOW

模型训练与验证：
模型的选择决定结果的上限， 如何更好的去达到模型上限取决于模型的调参。

结果输出：
输出格式结果

改进1：使用TF-IDF，提高到0.76324

from sklearn.feature_extraction.text import TfidfVectorizer

vector = TfidfVectorizer().fit(train['text'])

改进2：添加停用词，下降到0.75911

stops =[i.strip() for i in open(r'stop.txt',encoding='utf-8').readlines()] 

改进3：去掉author，更换模型RidgeClassifier()下降到0.73032

train['text'] = train['title'].fillna('') + ' ' + train['abstract'].fillna('')+ ' ' + train['Keywords'].fillna('')
test['text'] = test['title'].fillna('') + ' ' + test['abstract'].fillna('')
model = RidgeClassifier()