数据挖掘之分类

/**

*作者：张荣华

*日期：2008-2-19

**/
随着当代计算机硬件的发展，硬件功能越来越强大，价格越来越低，企业可以记录的数据也越来越多，这些因素就为数据挖掘的普及做了比较好的前提准备，树挖掘是未来信息处理的重要技术，而且就目前而言已经取得了决定性成功而且得到了比较广泛的应用。

数据挖掘中有很多领域，分类就是其中之一，什么是分类，
分类就是把一些新得数据项映射到给定类别的中的某一个类别，比如说当我们发表一篇文章的时候，就可以自动的把这篇文章划分到某一个文章类别，一般的过程是根据样本数据利用一定的分类算法得到分类规则，新的数据过来就依据该规则进行类别的划分。

分类在数据挖掘中是一项非常重要的任务，有很多用途，比如说预测，即从历史的样本数据推算出未来数据的趋向，有一个比较著名的预测的例子就是大豆学习。再比如说分析用户行为，我们常称之为受众分析，通过这种分类，我们可以得知某一商品的用户群，对销售来说有很大的帮助。

分类器的构造方法有统计方法，机器学习方法，神经网络方法等等。常见的统计方法有knn算法，基于事例的学习方法。机器学习方法包括决策树法和归纳法，上面讲到的受众分析可以使用决策树方法来实现。神经网络方法主要是bp算法，这个俺也不太了解。


文本分类， 所谓的文本分类就是把文本进行归类，不同的文章根据文章的内容应该属于不同的类别，文本分类离不开分词，要将一个文本进行分类，首先需要对该文本进行分词，利用分词之后的的项向量作为计算因子，再使用一定的算法和样本中的词汇进行计算，从而可以得出正确的分类结果。在这个例子中，我将使用庖丁分词器对文本进行分词。

下面这个例子将使用反余弦进行词汇单元进行匹配，
第一步，训练样本：

protected Map<String, Map<String, Integer>> getClassVector(List<Category> categoryList) throws Exception {

		if (categoryList == null || categoryList.size() == 0) {
			if (logger.isDebugEnabled()) {
				logger.debug("The list of new categoryList which should be classified is null or size = 0");
			}
			return Collections.emptyMap();
		}

		Map<String, Map<String, Integer>> categoryMap = new HashMap<String, Map<String, Integer>>();

		Directory ramDir = new RAMDirectory();
		IndexWriter writer = new IndexWriter(ramDir, new PaodingAnalyzer(), true);

		for (Category cRc : categoryList) {
			for (Article item : cRc.getArticleList()) {

				Document doc = new Document();
				doc.add(new Field("description", item.getContent(), Field.Store.NO,
						Field.Index.TOKENIZED, TermVector.YES));
				doc.add(new Field("category", cRc.getId().toString(), Field.Store.YES, Field.Index.NO));
				writer.addDocument(doc);
			}
		}

		if (logger.isDebugEnabled()) {
			logger.debug("Generate the index in the memory, the size of categoryList list is " + categoryList.size());
		}

		writer.close();

		buildContentVectors(ramDir, categoryMap, "category", "description");
		return categoryMap;

	}

第二步：对待分类的文章进行分词（原理和样本训练类似）：

protected Map<String, Map<String, Integer>> getArticleVector(List<Article> articleList) throws Exception {
		if (articleList == null || articleList.size() == 0) {
			if (logger.isDebugEnabled()) {
				logger.debug("The list of articles which should be classified is null or size = 0");
			}
		}

		Map<String, Map<String, Integer>> articleMap = new HashMap<String, Map<String, Integer>>();

		Directory articleRamDir = new RAMDirectory();
//		IndexWriter writer = new IndexWriter(articleRamDir, new ChineseAnalyzer(), true);
		IndexWriter writer = new IndexWriter(articleRamDir, new PaodingAnalyzer(), true);

		for (Article article : articleList) {
			Document doc = new Document();
			doc.add(new Field("articleId", article.getId(),
					Field.Store.YES, Field.Index.NO));
			doc.add(new Field("description", article.getContent(), Field.Store.NO, Field.Index.TOKENIZED, TermVector.YES));
			writer.addDocument(doc);
		}

		writer.flush();
		writer.close();

		buildContentVectors(articleRamDir, articleMap, "articleId", "description");
		return articleMap;
	}

分类的核心算法(下面这段代码的原理来自于lucene in action)：

public double caculateVectorSpace(Map<String, Integer> articleVectorMap, Map<String, Integer> classVectorMap) {
		if (articleVectorMap == null || classVectorMap == null) {
			if (logger.isDebugEnabled()) {
				logger.debug("itemVectorMap or classVectorMap is null");
			}

			return 20;
		}

		int dotItem = 0;
		double denominatorOne = 0;
		double denominatorTwo = 0;


		for (Entry<String, Integer> entry : articleVectorMap.entrySet()) {
			String word = entry.getKey();
			double categoryWordFreq = 0;
			double articleWordFreq = 0;

			if (classVectorMap.containsKey(word)) {
				categoryWordFreq = classVectorMap.get(word).intValue() / classVectorMap.size();
				articleWordFreq = entry.getValue().intValue() / articleVectorMap.size();
			}

			dotItem += categoryWordFreq * articleWordFreq;
			denominatorOne += categoryWordFreq * categoryWordFreq;
			denominatorTwo += articleWordFreq * articleWordFreq;
		}

		double denominator = Math.sqrt(denominatorOne) * Math.sqrt(denominatorTwo);

		double ratio =  dotItem / denominator;

		return Math.acos(ratio);
	}

效果：
测试数据：

public static List<Category> prepareCategoryList() {
		List<Category> categoryList = new ArrayList<Category>();
		List<Article> articleList = new ArrayList<Article>();

		Category c = new Category();
		c.setArticleList(articleList);
		c.setId("1");
		categoryList.add(c);

		Article a1 = new Article();
		a1.setId("1");
		a1.setTitle("Hibernate初探");
		a1.setContent("开始看Hibernate reference,运行hibernate的test中的代码。 Environment是一个非常重要的类。它定义了很多常量，最重要的是hibernate的入口在这里。");

		Article a2 = new Article();
		a2.setId("2");
		a2.setTitle("Hibernate SQL方言");
		a2.setContent("PO的数据类型设置 int 还是Integer Integer 允许为 null Hibernate 既可以访问Field也可以访问Property");

		Article a3 = new Article();
		a3.setId("3");
		a3.setTitle("Hibernate 杂烩");
		a3.setContent("Hibernate 中聚合函数的使用 Criteria接口的Projections类主要用于帮助Criteria接口完成数据的分组查询和统计功能:");

		Article a4 = new Article();
		a4.setId("4");
		a4.setTitle("Hibernate映射类型");
		a4.setContent("Hibernate映射类型Hibernate映射类型,对应的基本类型及对应的标准SQL类型");


		articleList.add(a1);
		articleList.add(a2);
		articleList.add(a3);
		articleList.add(a4);

		return categoryList;
	}

	public static List<Article> prepareArticleList() {
		List<Article> articleList = new ArrayList<Article>();
		Article a1 = new Article();
		a1.setId("1");
		a1.setTitle("Hibernate学习笔记(一)");
		a1.setContent("本笔记的内容: 分层体系结构 ORM介绍 Hibernate简介 Hibernate开发步骤 Hibernate核心API ");

		Article a2 = new Article();
		a2.setId("2");
		a2.setTitle("Hibernate的性能问题");
		a2.setContent("各位老大，使用hibernate做企业级别的应用，会不会有性能问题啊？比如大数据量的搜索或者客户端同时大量的请求，会不会严重影响性能啊？有没有什么好的解决办法? 谢了先!");

		Article a3 = new Article();
		a3.setId("3");
		a3.setTitle("Spring2.5全面支持JEE5的实现");
		a3.setContent("Spring 2.5 发布已经有一段时间了，一直没有时间研究一下，只是听说有很多方面的提升。有一点十分重要的就是全面支持JEE5风格的annotation。");

		Article a4 = new Article();
		a4.setId("4");
		a4.setTitle("谈谈Spring的SqlMapClientTemplate对SqlMapClientCallback");
		a4.setContent("谈谈Spring的SqlMapClientTemplate对SqlMapClientCallback的使用 ■记得以前在看SqlMapClientTemplate的源代码的时候，下面的这两段代码硬是没看懂当时我很疑惑：真的有必要用到内部匿名类这样诡异的手法么？");

		Article a5 = new Article();
		a5.setId("5");
		a5.setTitle("spring 2.0 学习笔记");
		a5.setContent("前几天学习hibernate!在mysql下都能正常跑出来.! 但是我一换成oracle就出现下面这种情况: 小弟不解呀..google了很多次也解决不了此问题::.希望老大门帮忙看一下哈.!!! 环境:MyEclipse5.5,hibernate2.0,spring2.0");

		articleList.add(a1);
		articleList.add(a2);
		articleList.add(a3);
		articleList.add(a4);
		articleList.add(a5);

		return articleList;
	}

以上测试代码中的数据来源于javaeye的文章。
输出：
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=2---------acos value=1.412016112149136
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=1---------acos value=1.3258176636680326
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=5---------acos value=1.4244090675006476

有此可见文章id号为1,2,5的文章符合hibernate分类，事实上我们还要更进一步，假设我们有两个分类，hibernate，spring，各有5各样本，那么最后的结果应该再次作最小符合判断，acos值最小的则认为该article属于该分类，同学们可以自己做一下实验。

文本分类中有很多注意点，比如说噪音词去除（上面的代码中并包括最简单的噪音词去除功能）等，接下来我会使用knn算法改造以上代码，并使用相同的测试数据并比对测试结果。