【NLP实战系列】朴素贝叶斯文本分类实战

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。

本篇介绍自然语言处理中一种比较简单，但是有效的文本分类手段：朴素贝叶斯模型。

作者&编辑 | 小Dream哥

1 朴素贝叶斯介绍 

贝叶斯决策论是在统计概率框架下进行分类决策的基本方法。对于分类任务来说，在所有相关概率都已知的情况下，贝叶斯决策论考虑如何基于这些概率和误判损失来预测分类。

朴素贝叶斯模型在训练过程，利用数据集D，计算P(c)，P(x_i|c)。在预测时，输入样本，利用贝叶斯公式，计算n个类别的概率，最后输出概率最大的那个类别，作为预测的类别。

朴素贝叶斯模型分类的理论相关知识，在文章中有详细的介绍，感兴趣或者不清楚的朋友可以出门左转，再看一下。

假如我们有语料集D，文本可分为（c_1，c_2，...，c_n）个类别，我们根据语料集D，计算每个类别出现的概率P(c_i)，以及当文本类别为c_i时，词x_i出现的概率P(x_i|c_i)。这样一个由m个词构成的文本（x_1，x_2，...，x_m）就可以根据上述公式预测出文本是各个类别的概率。

2 NLTK

Natural Language Toolkit，NLTK是一个开源的项目，包含：Python模块，数据集和教程，用于NLP的研究和开发，是一个不错的python工具包。此次我们介绍用NLTK里的NaiveBayesClassifier模块，来进行文本分类。

3 数据集准备

因为是文本分类任务，所以数据集是按类别分好的一系列文本，如下图所示：

这里因为只是展示，数据集比较简单，只有3个类别。在一个类别内，每条数据之间用分号隔开。

4 数据读取

数据读取的代码如下所示：

#1 进行数据读取

def read_data(filename):# 最后返回的是一个列表，结构如下[('我要打车','get_a_taxi')，('明天天气怎么样','get_weather')。。。]

数据读取过程的任务很简单，就是从语料文件中将语料读到内存中，组织成一个列表，列表中每一项组成为（data，label），如('明天天气怎么样','get_weather')。

5 特征选择及训练数据集构建

利用分词后的词性作为训练数据特征。最后喂给模型的数据是一个类似这样的列表：

[({“t”:“明天”,“n”：“天气”,“r”:“怎么样” }, 'get_weather') ,... ]

#2.1 停用词处理#2 进行特征选择，这里利用分词后的词性作为特征

#3 构建训练数据集

6 训练及预测

训练及预测的过程很简单，就是调用NLTK的NaiveBayesClassifier模块，代码如下：

#训练模型

classifier = nltk.NaiveBayesClassifier.train(      

                   get_features_sets('data.txt') )

#预测某一个文本的类别

print(predict_label)    ## get_weather

#预测某一个文本为某一个类别的概率print(classifier.prob_classify(get_word_features('请问明天的天气怎么样？')).prob(predict_label)) # 0.995154

我们展示一下预测的结果：

至此，介绍了如何利用NLTK的NaiveBayesClassifier模块进行文本分类，代码在我们有三AI的github可以下载：

https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到intention文件夹，执行python3 intent_recognition.py就可以运行了。

总结

文本分类常常用于情感分析、意图识别等NLP相关的任务中，是一个非常常见的任务，朴素贝叶斯本质上统计语料中对应类别中相关词出现的频率，并依此来预测测试文本。总的来说，它是一种非常便捷，效果可以接受的方法。

我们也会在知识星球讨论其他文本分类方法，感兴趣扫描下面的二维码了解。

读者们可以留言，或者加入我们的NLP群进行讨论。感兴趣的同学可以微信搜索jen104，备注"加入有三AI NLP群"。

下期预告：命名实体识别实践

知识星球推荐

扫描上面的二维码，就可以加入我们的星球，助你成长为一名合格的自然语言处理算法工程师。

知识星球主要有以下内容：

(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景，几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点，通过介绍聊天机器人的原理和实践，逐步系统的更新到大部分NLP的知识，会包括语义匹配，文本分类，意图识别，语义匹配命名实体识别、对话管理以及分词等。

(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性，就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施，目前各大公司都在着力打造知识图谱，作为一个NLP工程师，必须要熟悉和了解他。

(3) NLP预训练模型。基于海量数据，进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式，很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解？

转载文章请后台联系

侵权必究

往期精选