R语言自然语言处理：文本分类
作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。
邮箱：huang.tian-yuan@qq.com
前文推送：
R语言自然语言处理：关键词提取与文本摘要（TextRank）
R语言自然语言处理：文本向量化——词嵌入（Word Embedding）
不知不觉已经写了这么多，但是很多R语言自然语言处理的方法并没有展开来讲。这次希望尝试用简单的技术（TF-IDF和相似度矩阵）做一次实践，即文档分类。
任务定义：对于任意给定的一个字符串，判断它与目前哪个文档最为相似，从而进行归类。首先要对当前的文档（数据见github.com/hope-data-sc）做词嵌入（就用最简单的TF-IDF模型），然后对于任意的新字符串，进行向量化之后，与先前的标准库做相似性的分析，看看与哪个文档相似性最近，就属于哪一个类别。
1 读入文件
1library(pacman)
2p_load(tidyverse,data.table)
3
4fread("classification_corpus_raw.csv",encoding = "UTF-8") %>%
5 as_tibble() %>%
6 mutate(id = 1:n())-> raw
这样，文件就在raw中了。
2 计算TF-IDF
这一部分参考R语言自然语言处理：关键词提取（TF-IDF），先进行分词，然后对所有的词计算TF-IDF。
1## 快速分词
2p_load(jiebaR)
3worker() -> wk
4
5raw %>%
6 mutate(words = map(title,segment,jieba = wk)) %>%
7 select(id,words) -> corpus
8
9## 计算TF-IDF
10corpus %>%
11 unnest() %>%
12 count(id,words) %>%
13 bind_tf_idf(term = words,document = id,n = n) -> corpus_tf_idf
仔细看，这个文档现在究竟有多少个词语呢？
1corpus_tf_idf %>% distinct(words)
2
3# A tibble: 1,510 x 1
4 words
5 <chr>
6 1 百年
7 2 办公室
8 3 筹备工作
9 4 校庆
10 5 保卫部
11 6 处
12 7 安全
13 8 管理
14 9 生产
1510 保密
16# ... with 1,500 more rows一共1510个，不多，因此我决定不进行筛选了。本来常规套路要把这个TF-IDF的矩阵变为一个文档-词语矩阵（Document Term Matrix,DTM）。但是既然走了tidy的路线，我突然认为那是一个多余的步骤，做了一个高维稀疏的矩阵效率异常低，而进行连接（join）的速度可谓异常地快。
下面我要写一个函数，它要完成一个这样的任务：对于任意给定的字符串，求这个字符串与当前所有文档的相似性，然后筛选出相似性最高的n个文档，显示出来。
虽然不需要构造矩阵，但是我还是要构造一个类似的数据框。
1corpus_tf_idf %>%
2 select(id,tf_idf) -> for_future_use
3 举例尝试
先假设给定的字符串为“大数据学院”，我们看看是否能够找到合理的相似文档。我们首先要明确，什么叫做相似？定义：1、字符串中包含相同的组分（相同的分词结果）；2、当包含组分数量一致的时候，如果包含重要表征组分，其得分更高（举例说明：我们给定的字符串是“物理学院”，分词之后是“物理”和“学院”，但是“物理”这个词能够表征的程度更高，因此它会得到更高的得分，这个得分在我们的模型中是以TF-IDF的形式存在的）。
下面我们给出代码：
1string = "大数据学院"
2
3string %>%
4 segment(jiebar = wk) %>%
5 enframe() %>%
6 transmute(words = value) -> string_table
7
8for_future_use %>%
9 inner_join(string_table) %>%
10 group_by(id) %>%
11 summarise(score = sum(tf_idf)) %>%
12 arrange(desc(score)) -> sort_table
13
14sort_table %>%
15 slice(1:5) %>%
16 inner_join(raw,by = "id")
17
18# A tibble: 5 x 3
19 id score title
20 <int> <dbl> <chr>
211 58 4.70 大数据学院
222 57 2.86 大数据研究院
233 109 1.84 高级律师学院
244 436 1.84 公共卫生学院
255 479 1.84 管理学院
我们可以看到，“大数据学院”被正确地筛选出来，而排名第二的是“大数据研究院”，因为“大数据”作为一个比“学院”拥有更高TF-IDF的关键词，更能够表征“大数据”这个特征。其他3个选项得分其实是一样的，它们都因为有“学院”而被筛选出来，但是没有匹配更多更有价值的词语了。现在我们就可以正式对函数进行构造：
1get_sim = function(string){
2 string %>%
3 segment(jiebar = wk) %>%
4 enframe() %>%
5 transmute(words = value) -> string_table
6
7 for_future_use %>%
8 inner_join(string_table,by = "words") %>%
9 group_by(id) %>%
10 summarise(score = sum(tf_idf)) %>%
11 arrange(desc(score)) -> sort_table
12
13 sort_table %>%
14 slice(1:3) %>%
15 inner_join(raw,by = "id") -> result
16
17 ifelse(nrow(result) == 0,
18 NA,
19 result %>%
20 pull(title) %>%
21 str_c(collapse = ","))
22}
这个函数能够对任意的字符串进行识别，如果没有任何识别，就返回NA；如果识别到了，最多返回匹配度最高的3个分类，分类之间以“,”分隔（注意是英文的逗号，这个可以根据自己的洗好更改）。我们用两个例子看看结果如何：
1get_sim("稀奇古怪")
2[1] NA
3
4get_sim("大数据")
5[1] "大数据研究院,大数据学院,大数据试验场研究院（筹）"
显然，这个函数是有效的。
——————————————
往期精彩：
相关内容
微信扫码咨询专知VIP会员