R语言做文本挖掘 Part4文本分类

Part3文本聚类里讲到过，分类跟聚类的简单差异。所以要做分类我们需要先整理出一个训练集，也就是已经有明确分类的文本；测试集，可以就用训练集来替代；预测集，就是未分类的文本，是分类方法最后的应用实现。

1.       数据准备

训练集准备是一个很繁琐的功能，暂时没发现什么省力的办法，根据文本内容去手动整理。这里还是使用的某品牌的官微数据，根据微博内容，我将它微博的主要内容分为了：促销资讯（promotion）、产品推介（product）、公益信息（publicWelfare）、生活鸡汤（life）、时尚资讯（fashionNews）、影视娱乐（showbiz），每个分类有20-50条数据，如下可看到训练集下每个分类的文本数目，训练集分类名为中文也没问题。

训练集为hlzj.train，后面也会被用作测试集。

预测集就是Part2里面的hlzj。

[plain] view plain copy

1. hlzj.train <-read.csv("hlzj_train.csv",header=T,stringsAsFactors=F)  
2. length(hlzj.train)  

[1] 2

[plain] view plain copy

1. table(hlzj.train$type)  

fashionNews      life         product

      27            34            38

promotion    publicWelfare     showbiz

      45            22            36

[plain] view plain copy

1. length(hlzj)  

[1] 1639

2.       分词处理

训练集、测试集、预测集都需要做分词处理后才能进行后续的分类过程。这里不再详细说明，过程类似于Part2中讲到的。训练集做完分词后hlzjTrainTemp，之前对hlzj文件做过分词处理后是hlzjTemp。然后分别将hlzjTrainTemp和hlzjTemp去除停词。

[plain] view plain copy

1. library(Rwordseg)  
2. hlzjTrainTemp <- gsub("[0-9０１２３４５６７８９ < > ~]","",hlzj.train$text)  
3. hlzjTrainTemp <-segmentCN(hlzjTrainTemp)  
4. hlzjTrainTemp2 <-lapply(hlzjTrainTemp,removeStopWords,stopwords)  
5. hlzjTemp2 <-lapply(hlzjTemp,removeStopWords,stopwords)  

3.      得到矩阵

在Part3中讲到了，做聚类时要先将文本转换为矩阵，做分类同样需要这个过程，用到tm软件包。先将训练集和预测集去除停词后的结果合并为hlzjAll，记住前202（1:202）条数据是训练集，后1639（203:1841）条是预测集。获取hlzjAll的语料库，并且得到文档-词条矩阵，将其转换为普通矩阵。

[plain] view plain copy

1. hlzjAll <- character(0)  
2. hlzjAll[1:202] <- hlzjTrainTemp2  
3. hlzjAll[203:1841] <- hlzjTemp2  
4. length(hlzjAll)  

[1] 1841

[plain] view plain copy

1. corpusAll <-Corpus(VectorSource(hlzjAll))  
2. (hlzjAll.dtm <-DocumentTermMatrix(corpusAll,control=list(wordLengths = c(2,Inf))))  

<<DocumentTermMatrix(documents: 1841, terms: 10973)>>

Non-/sparse entries: 33663/20167630

Sparsity           : 100%

Maximal term length: 47

Weighting          : term frequency (tf)

[plain] view plain copy

1. dtmAll_matrix <-as.matrix(hlzjAll.dtm)  

4.      分类

用到knn算法(K近邻算法)，这个算法在class软件包里。矩阵的前202行数据是训练集，已经有分类了，后面的1639条数据没有分类，要根据训练集得到分类模型再为其做分类的预测。将分类后的结果和原微博放在一起，用fix()查看，可以看到分类结果，效果还是挺明显的。

[plain] view plain copy

1. rownames(dtmAll_matrix)[1:202] <-hlzj.train$type  
2. rownames(dtmAll_matrix)[203:1841]<- c("")  
3. train <- dtmAll_matrix[1:202,]  
4. predict <-dtmAll_matrix[203:1841,]  
5. trainClass <-as.factor(rownames(train))  
6. library(class)  
7. hlzj_knnClassify <-knn(train,predict,trainClass)  
8. length(hlzj_knnClassify)  

[1] 1639

[plain] view plain copy

1. hlzj_knnClassify[1:10]  

[1] product    product     product     promotion  product     fashionNews life      

 [8] product    product     fashionNews

Levels: fashionNews life productpromotion publicWelfare showbiz

[plain] view plain copy

1. table(hlzj_knnClassify)  

hlzj_knnClassify

fashionNews    life   product     promotion   publicWelfare   showbiz

    40        869       88        535        28        79

[plain] view plain copy

1. hlzj.knnResult <-list(type=hlzj_knnClassify,text=hlzj)  
2. hlzj.knnResult <-as.data.frame(hlzj.knnResult)  
3. fix(hlzj.knnResult)  

Knn分类算法算是最简单的一种，后面尝试使用神经网络算法（nnet()）、支持向量机算法（svm()）、随机森林算法（randomForest()）时，都出现了电脑内存不够的问题，我的电脑是4G的，看内存监控时能看到最高使用达到3.92G。看样子要换台给力点的电脑了╮(╯▽╰)╭

在硬件条件能达到时，应该实现分类没有问题。相关的算法可以用：??方法名，的方式来查看其说明文档。

5.       分类效果

上面没有讲到测试的过程，对上面的例子来说，就是knn前两个参数都用train，因为使用数据集相同，所以得到的结果也是正确率能达到100%。在训练集比较多的情况下，可以将其随机按7:3或者是8:2分配成两部分，前者做训练后者做测试就好。这里就不再细述了。

在分类效果不理想的情况下，改进分类效果需要丰富训练集，让训练集特征尽量明显，这个在实际问题是一个很繁琐却不能敷衍的过程。