中文文本分类的总结

文本分类算法从机器学习的“人工特征 + lr/svm/xgboost”，到深度学习的"word embedding + DNN"、“language model + decoder”，不断演变。

0.文本的预处理

1）清洗数据：带有HTML标签、URL地址等非文本内容，长串数字或字母、无意义的文本。

2）变形词识别和替换：特殊符号替换、同音近型替换（拼音首字母）、简繁替换

3）停用词与标点符号：采用官方词表，针对不同的场景做一些调整

1.文本特征&文本表示

以词还是以字来表示一个句子的输入特征，都需要进行尝试，只有效果相差不大，都需要保留下来做模型融合。

如果文本长度不同，取占比95%或者98%的长度最为最大长度，然后进行截断补齐

文本特征的提取：

方法一：分词之后采用One-hot或TF-IDF等方法将每个样本转化为固定长度的特征编码作为分类算法的输入。

方法二：采用N-gram模型（一般同时采用N为1到3的N-gram）保留词与词之间的的位置和顺序信息。

方法三：Word2Vec和GloVe，拼接Word2Vec和GloVe作为新的特征输入，直接相加或者求平均效果通常都不好。如果要找到最合适的词向量维度，可以看看NeurIPS 2018斯坦福的这篇论文《On the Dimensionality of Word Embedding》。

方法四：语言模型，例如ELMo和BERT

其他特征：是否出现长串数字的布尔值特征HAS_DIGITAL、长串数字按长度归一的DIGIAL_LEN_10、文本长度（形如“长文本_小明”、“短文本_学校”）

同时采用了多种特征方法，不妨对这些特征进行分桶标记。如对分词特征“小明”标记为“wordseg:小明”、对skip-gram特征“小明_学校”标记为“skipgram:小明_学校”。

 

特征选择方法：

卡方检验：

信息增益：

&nb