零基础入门数据挖掘实践（学术前沿趋势分析）之四

4.1 任务说明

学习主题：论⽂文种类分类（数据建模任务），利利⽤用已有数据建模，对新论⽂文进⾏行行类别分类； 学习内容：使⽤用论⽂文标题完成类别分类；
学习成果：学会⽂文本分类的基本⽅方法、TFIDF等。

4.2 数据处理步骤

在原始arxiv论文中论文都有对应的类别，而论文类别是作者填写的。在本次任务中我们可以借助论文的标题和摘要完成：

• 对论文标题和摘要进行处理；
• 对论文类别进行处理；
• 构建文本分类模型。

4.3 文本分类思路

• 思路1：TF-IDF+机器学习分类器
  直接使用TF-IDF对文本提取特征，使用分类器进行分类，分类器的选择上可以使用SVM、LR、XGboost等
• 思路2：FastText
  FastText是入门款的词向量，利用Facebook提供的FastText工具，可以快速构建分类器
• 思路3：WordVec+深度学习分类器
  WordVec是进阶款的词向量，并通过构建深度学习分类完成分类。深度学习分类的网络结构可以选择TextCNN、TextRnn或者BiLSTM。
• 思路4：Bert词向量
  Bert是高配款的词向量，具有强大的建模学习能力。

4.4 具体代码实现以及讲解

1.包导入

# 导入所需的package
import seaborn as sns #用于画图
from bs4 import BeautifulSoup #用于爬取arxiv的数据
import re #用于正则表达式，匹配字符串的模式
import requests #用于网络连接，发送网络请求，使用域名获取对应信息
import json #读取数据，我们的数据为json格式的
import pandas as pd #数据处理，数据分析
import matplotlib.pyplot as plt #画图工具

2.读入数据

首先读取字段：

data  = [] #初始化
#使用with语句优势：1.自动关闭文件句柄；2.自动显示（处理）文件读取数据异常
with open(r'I:\other\2021.01\arxiv-metadata-oai-snapshot.json', 'r') as f: 
    for idx, line in enumerate(f): 
        d = json.loads(line)
        d = {'title': d['title'], 'categories': d['categories'], 'abstract': d['abstract']}
        data.append(d)
        
        # 选择部分数据
        if idx > 200000:
            break
        
data = pd.DataFrame(data) #将list变为dataframe格式，方便使用pandas进行分析

将标题和摘要拼接一起完成分类。

data['text'] = data['title'] + data['abstract']

data['text'] = data['text'].apply(lambda x: x.replace('\n',' '))
data['text'] = data['text'].apply(lambda x: x.lower())
data = data.drop(['abstract', 'title'], axis=1)

对论文进行分类：

# 多个类别，包含子分类
data['categories'] = data['categories'].apply(lambda x : x.split(' '))

# 单个类别，不包含子分类
data['categories_big'] = data['categories'].apply(lambda x : [xx.split('.')[0] for xx in x])

下面对类别进行编码：

from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
data_label = mlb.fit_transform(data['categories_big'].iloc[:])

3.提取特征

思路1使用TFIDF提取特征，限制最多4000个单词：

from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer(max_features=4000)
data_tfidf = vectorizer.fit_transform(data['text'].iloc[:])

使用sklearn的多标签分类进行封装：

# 划分训练集和验证集
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data_tfidf, data_label,
                                                 test_size = 0.2,random_state = 1)

# 构建多标签分类模型
from sklearn.multioutput import MultiOutputClassifier
from sklearn.naive_bayes import MultinomialNB
clf = MultiOutputClassifier(MultinomialNB()).fit(x_train, y_train)

验证模型的精度：

from sklearn.metrics import classification_report
print(classification_report(y_test, clf.predict(x_test)))