在Python中使用SpaCy进行文本分类

2018 年 5 月 8 日 专知

【导读】在这篇文章中,我们将学习如何使用SpaCy进行文本分类, spaCy是Python中流行且易于使用的自然语言处理库。它提供了当前最佳的准确性和效率,并且有一个活跃的开源社区支持。大家感兴趣的话可以尝试使用一下。


作者 | Susan Li

编译 | 专知

参与 | Yingying, Hujun

Machine Learning for Text Classification Using SpaCy in Python

在Python中使用SpaCy进行文本分类


spaCy是Python中流行且易于使用的自然语言处理库。它提供了当前最佳的准确性和效率,并且有一个活跃的开源社区支持。但是,由于SpaCy是一个相对较新的NLP库,并没有像NLTK那样被广泛采用。当前SpaCy并没有足够的教程。

https://spacy.io/


在这篇文章中,我们将演示如何使用spaCy实现文本分类。


1.数据




在这里,我们使用在会议论文数据集。数据集可以在这里找到。

https://raw.githubusercontent.com/susanli2016/Machine-Learning-with-Python/master/research_paper.csv


2.探索




示例代码:

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import base64
import string
import re
from collections import Counter
from nltk.corpus import stopwords
stopwords = stopwords.words('english')
df = pd.read_csv('research_paper.csv')
df.head()


没有缺失值。

df.isnull().sum()

Title 0

Conference 0

dtype: int64


将数据拆分为训练和测试集:

from sklearn.model_selection import train_test_split
train, test = train_test_split(df, test_size=0.33, random_state=42)
print('Research title sample:', train['Title'].iloc[0])
print('Conference of this paper:', train['Conference'].iloc[0])
print('Training Data Shape:', train.shape)
print('Testing Data Shape:', test.shape)


Research title sample: Cooperating with Smartness: Using Heterogeneous
Smart Antennas in Ad-Hoc Networks.
Conference of this paper: INFOCOM
Training Data Shape: (1679, 2)
Testing Data Shape: (828, 2)


该数据集由2507个简短的研究论文标题组成,已被分为5类(通过会议)。 下图总结了不同会议的研究论文。

fig = plt.figure(figsize=(8,4))
sns.barplot(x = train['Conference'].unique(), y=train['Conference'].
value_counts())
plt.show()


以下是在SpaCy中进行文本预处理的一种方法。 之后,我们试图找出提交给第一和第二类(会议)的论文中使用的热门词 - INFOCOM和ISCAS

import spacy
nlp = spacy.load('en_core_web_sm')
punctuations = string.punctuation
def cleanup_text(docs, logging=False):
texts = []
counter = 1
   
for doc in docs:
if counter % 1000 == 0 and logging:
print("Processed %d out of %d documents." % (counter,
len(docs)))
counter += 1
       
doc = nlp(doc, disable=['parser', 'ner'])
tokens = [tok.lemma_.lower().strip() for tok in doc if
tok.lemma_ != '-PRON-']
tokens = [tok for tok in tokens if tok not in stopwords
and tok not in punctuations]
tokens = ' '.join(tokens)
texts.append(tokens)
return pd.Series(texts)
INFO_text = [text for text in train[train['Conference'] == 'INFOCOM']
['Title']]
IS_text = [text for text in train[train['Conference'] == 'ISCAS']
['Title']]
INFO_clean = cleanup_text(INFO_text)
INFO_clean = ' '.join(INFO_clean).split()
IS_clean = cleanup_text(IS_text)
IS_clean = ' '.join(IS_clean).split()
INFO_counts = Counter(INFO_clean)
IS_counts = Counter(IS_clean)
INFO_common_words = [word[0] for word in INFO_counts.most_common(20)]
INFO_common_counts = [word[1] for word in INFO_counts.most_common(20)]
fig = plt.figure(figsize=(18,6))
sns.barplot(x=INFO_common_words, y=INFO_common_counts)
plt.title('Most Common Words used in the research papers for conference
INFOCOM'
)
plt.show()


IS_common_words = [word[0] for word in IS_counts.most_common(20)]
IS_common_counts = [word[1] for word in IS_counts.most_common(20)]
fig = plt.figure(figsize=(18,6))
sns.barplot(x=IS_common_words, y=IS_common_counts)
plt.title('Most Common Words used in the research papers for conference
ISCAS'
)
plt.show()


INFOCOM中的热门词汇是“networks”和“network”。 显然,INFOCOM是网络相关领域的会议。


ISCAS的主要词汇是“base”和“design”。 它表明ISCAS是数据库、系统设计相关主题的会议。


3.机器学习与spaCy




from sklearn.feature_extraction.text import CountVectorizer
from sklearn.base import TransformerMixin
from sklearn.pipeline import Pipeline
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.stop_words import ENGLISH_STOP_WORDS
from sklearn.metrics import accuracy_score
from nltk.corpus import stopwords
import string
import re
import spacy
spacy.load('en')
from spacy.lang.en import English
parser = English()
以下是使用spaCy清洗文本的另一种方法:
STOPLIST = set(stopwords.words('english') + list(ENGLISH_STOP_WORDS))
SYMBOLS = " ".join(string.punctuation).split(" ") +
["-", "...", "”", "”"]
class CleanTextTransformer(TransformerMixin):
def transform(self, X, **transform_params):
return [cleanText(text) for text in X]
def fit(self, X, y=None, **fit_params):
return self
 
def get_params(self, deep=True):
return {}

def cleanText(text):
text = text.strip().replace("\n", " ").replace("\r", " ")
text = text.lower()
def tokenizeText(sample):
tokens = parser(sample)
lemmas = []
for tok in tokens:
lemmas.append(tok.lemma_.lower().strip() if tok.lemma_ !=
"-PRON-" else tok.lower_)
tokens = lemmas
tokens = [tok for tok in tokens if tok not in STOPLIST]
tokens = [tok for tok in tokens if tok not in SYMBOLS]
return tokens


定义一个函数来打印出最重要的特征:

def printNMostInformative(vectorizer, clf, N):
feature_names = vectorizer.get_feature_names()
coefs_with_fns = sorted(zip(clf.coef_[0], feature_names))
topClass1 = coefs_with_fns[:N]
topClass2 = coefs_with_fns[:-(N + 1):-1]
print("Class 1 best: ")
for feat in topClass1:
print(feat)
print("Class 2 best: ")
for feat in topClass2:
print(feat)
vectorizer = CountVectorizer(tokenizer=tokenizeText, ngram_range=(1,1))
clf = LinearSVC()

pipe = Pipeline([('cleanText', CleanTextTransformer()),
('vectorizer', vectorizer), ('clf', clf)])
# data
train1 = train['Title'].tolist()
labelsTrain1 = train['Conference'].tolist()
test1 = test['Title'].tolist()
labelsTest1 = test['Conference'].tolist()
# train
pipe.fit(train1, labelsTrain1)
# test
preds = pipe.predict(test1)
print("accuracy:", accuracy_score(labelsTest1, preds))
print("Top 10 features used to predict: ")

printNMostInformative(vectorizer, clf, 10)
pipe = Pipeline([('cleanText', CleanTextTransformer()),
('vectorizer', vectorizer)])
transform = pipe.fit_transform(train1, labelsTrain1)
vocab = vectorizer.get_feature_names()
for i in range(len(train1)):
s = ""
 
indexIntoVocab = transform.indices[transform.indptr[i]:
transform.indptr[i+1]]
numOccurences = transform.data[transform.indptr[i]:
transform.indptr[i+1]]
for idx, num in zip(indexIntoVocab, numOccurences):
s += str((vocab[idx], num))


accuracy: 0.7463768115942029
Top 10 features used to predict:
Class 1 best:
(-0.9286024231429632, ‘database’)
(-0.8479561292796286, ‘chip’)
(-0.7675978546440636, ‘wimax’)
(-0.6933516302055982, object’)
(-0.6728543084136545, ‘functional’)
(-0.6625144315722268, ‘multihop’)
(-0.6410217867606485, ‘amplifier’)
(-0.6396374843938725, ‘chaotic’)
(-0.6175855765947755, ‘receiver’)
(-0.6016682542232492, ‘web’)
Class 2 best:
(1.1835964521070819, ‘speccast’)
(1.0752051052570133, ‘manets’)
(0.9490176624004726, ‘gossip’)
(0.8468395015456092, ‘node’)
(0.8433107444740003, ‘packet’)
(0.8370516260734557, ‘schedule’)
(0.8344139814680707, ‘multicast’)
(0.8332232077559836, ‘queue’)
(0.8255429594734555, ‘qos’)
(0.8182435133796081, ‘location’)


from sklearn import metrics
print(metrics.classification_report(labelsTest1, preds,
target_names=df['Conference'].unique()))


precision    recall  f1-score   support

VLDB 0.75      0.77      0.76       159
     
ISCAS 0.90      0.84      0.87       299
 
SIGGRAPH 0.67      0.66      0.66       106
   
INFOCOM 0.62      0.69      0.65       139
       
WWW 0.62      0.62      0.62       125

avg / total 0.75      0.75      0.75       828

现在,我们就可以在SpaCy的帮助下完成了文本分类的任务。


原文链接:

https://towardsdatascience.com/machine-learning-for-text-classification-using-spacy-in-python-b276b4051a49

-END-

专 · 知

人工智能领域主题知识资料查看与加入专知人工智能服务群

【专知AI服务计划】专知AI知识技术服务会员群加入人工智能领域26个主题知识资料全集获取

点击上面图片加入会员

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

点击“阅读原文”,使用专知




登录查看更多
24

相关内容

Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
将Python用于NLP:Pattern 库简介
Python程序员
15+阅读 · 2019年6月7日
R语言自然语言处理:文本分类
R语言中文社区
7+阅读 · 2019年4月27日
Python用于NLP :处理文本和PDF文件
Python程序员
4+阅读 · 2019年3月27日
自然语言处理 | 使用Spacy 进行自然语言处理(二)
机器学习和数学
10+阅读 · 2018年8月27日
自然语言处理 | 使用Spacy 进行自然语言处理
机器学习和数学
18+阅读 · 2018年8月22日
教你用Python进行自然语言处理(附代码)
数据派THU
6+阅读 · 2018年3月28日
【干货】--基于Python的文本情感分类
R语言中文社区
5+阅读 · 2018年1月5日
Python3爬虫之入门和正则表达式
全球人工智能
7+阅读 · 2017年10月9日
Arxiv
15+阅读 · 2019年6月25日
Arxiv
8+阅读 · 2019年3月28日
Star-Transformer
Arxiv
5+阅读 · 2019年2月28日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
22+阅读 · 2018年8月30日
Arxiv
3+阅读 · 2018年3月13日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
将Python用于NLP:Pattern 库简介
Python程序员
15+阅读 · 2019年6月7日
R语言自然语言处理:文本分类
R语言中文社区
7+阅读 · 2019年4月27日
Python用于NLP :处理文本和PDF文件
Python程序员
4+阅读 · 2019年3月27日
自然语言处理 | 使用Spacy 进行自然语言处理(二)
机器学习和数学
10+阅读 · 2018年8月27日
自然语言处理 | 使用Spacy 进行自然语言处理
机器学习和数学
18+阅读 · 2018年8月22日
教你用Python进行自然语言处理(附代码)
数据派THU
6+阅读 · 2018年3月28日
【干货】--基于Python的文本情感分类
R语言中文社区
5+阅读 · 2018年1月5日
Python3爬虫之入门和正则表达式
全球人工智能
7+阅读 · 2017年10月9日
相关论文
Arxiv
15+阅读 · 2019年6月25日
Arxiv
8+阅读 · 2019年3月28日
Star-Transformer
Arxiv
5+阅读 · 2019年2月28日
Arxiv
13+阅读 · 2019年1月26日
Arxiv
22+阅读 · 2018年8月30日
Arxiv
3+阅读 · 2018年3月13日
Arxiv
3+阅读 · 2018年2月24日
Top
微信扫码咨询专知VIP会员