zoukankan      html  css  js  c++  java
  • 文本分类(六):使用fastText对文本进行分类--小插曲

    http://blog.csdn.net/lxg0807/article/details/52960072

    环境说明:python2.7、linux 
    自己打自己脸,目前官方的包只能在linux,mac环境下使用。误导大家了,对不起。 
    测试facebook开源的基于深度学习的对文本分类的fastText模型 
    fasttext python包的安装:

    pip install fasttext
    • 1

    第一步获取分类文本,文本直接用的清华大学的新闻分本,可在文本系列的第三篇找到下载地址。 
    输出数据格式: 样本 + 样本标签 
    说明:这一步不是必须的,可以直接从第二步开始,第二步提供了处理好的文本格式。写这一步主要是为了记忆当时是怎么处理原始文本的。

    import jieba
    import os
    
    basedir = "/home/li/corpus/news/" #这是我的文件地址,需跟据文件夹位置进行更改
    dir_list = ['affairs','constellation','economic','edu','ent','fashion','game','home','house','lottery','science','sports','stock']
    ##生成fastext的训练和测试数据集
    
    ftrain = open("news_fasttext_train.txt","w")
    ftest = open("news_fasttext_test.txt","w")
    
    num = -1
    for e in dir_list:
        num += 1
        indir = basedir + e + '/'
        files = os.listdir(indir)
        count = 0
        for fileName in files:
            count += 1            
            filepath = indir + fileName
            with open(filepath,'r') as fr:
                text = fr.read()
            text = text.decode("utf-8").encode("utf-8")
            seg_text = jieba.cut(text.replace("	"," ").replace("
    "," "))
            outline = " ".join(seg_text)
            outline = outline.encode("utf-8") + "	__label__" + e + "
    "
    #         print outline
    #         break
    
            if count < 10000:
                ftrain.write(outline)
                ftrain.flush()
                continue
            elif count  < 20000:
                ftest.write(outline)
                ftest.flush()
                continue
            else:
                break
    
    ftrain.close()
    ftest.close()
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41

    第二步:利用fasttext进行分类。使用的是fasttext的python包。 
    整理好的数据:百度网盘下载 
    news_fasttext_train.txt 
    news_fasttext_test.txt

    # _*_coding:utf-8 _*_
    import logging
    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
    import fasttext
    #训练模型
    classifier = fasttext.supervised("news_fasttext_train.txt","news_fasttext.model",label_prefix="__label__")
    
    #load训练好的模型
    #classifier = fasttext.load_model('news_fasttext.model.bin', label_prefix='__label__')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    #测试模型
    result = classifier.test("news_fasttext_test.txt")
    print result.precision
    print result.recall
    
    • 1
    • 2
    • 3
    • 4
    • 5
    0.92240420242
    0.92240420242
    
    • 1
    • 2
    • 3

    由于fasttext貌似只提供全部结果的p值和r值,想要统计不同分类的结果,就需要自己写代码来实现了。

    # -*- coding: utf-8 -*-
    """
    Created on Wed Oct 18 14:17:27 2017
    
    @author: xiaoguangli
    """
    import logging
    logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
    import fasttext
    
    
    classifier = fasttext.load_model('news_fasttext.model.bin', label_prefix='__label__')
    labels_right = []
    texts = []
    with open("news_fasttext_test.txt") as fr:
        for line in fr:
            line = line.decode("utf-8").rstrip()
            labels_right.append(line.split("	")[1].replace("__label__",""))
            texts.append(line.split("	")[0])
        #     print labels
        #     print texts
    #     break
    labels_predict = [e[0] for e in classifier.predict(texts)] #预测输出结果为二维形式
    # print labels_predict
    
    text_labels = list(set(labels_right))
    text_predict_labels = list(set(labels_predict))
    print text_predict_labels
    print text_labels
    
    A = dict.fromkeys(text_labels,0)  #预测正确的各个类的数目
    B = dict.fromkeys(text_labels,0)   #测试数据集中各个类的数目
    C = dict.fromkeys(text_predict_labels,0) #预测结果中各个类的数目
    for i in range(0,len(labels_right)):
        B[labels_right[i]] += 1
        C[labels_predict[i]] += 1
        if labels_right[i] == labels_predict[i]:
            A[labels_right[i]] += 1
    
    print A 
    print B
    print C
    #计算准确率,召回率,F值
    for key in B:
        try:
            r = float(A[key]) / float(B[key])
            p = float(A[key]) / float(C[key])
            f = p * r * 2 / (p + r)
            print "%s:	 p:%f	 r:%f	 f:%f" % (key,p,r,f)
        except:
            print "error:", key, "right:", A.get(key,0), "real:", B.get(key,0), "predict:",C.get(key,0)
    
    
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54

    实验数据分类

    [u'affairs', u'fashion', u'lottery', u'house', u'science', u'sports', u'game', u'economic', u'ent', u'edu', u'home', u'constellation', u'stock']
    ['affairs', 'fashion', 'house', 'sports', 'game', 'economic', 'ent', 'edu', 'home', 'stock', 'science']
    {'science': 8415, 'affairs': 8257, 'fashion': 3173, 'house': 9491, 'sports': 9739, 'game': 9506, 'economic': 9235, 'ent': 9665, 'edu': 9491, 'home': 9315, 'stock': 9015}
    {'science': 10000, 'affairs': 10000, 'fashion': 3369, 'house': 10000, 'sports': 10000, 'game': 10000, 'economic': 10000, 'ent': 10000, 'edu': 10000, 'home': 10000, 'stock': 10000}
    {u'affairs': 8562, u'fashion': 3585, u'lottery': 96, u'science': 9088, u'edu': 10068, u'sports': 10099, u'game': 10151, u'economic': 10131, u'ent': 10798, u'house': 10000, u'home': 10103, u'constellation': 432, u'stock': 10256}
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    #实验结果

    science:    p:0.841500  r:0.925946r:    f:0.881706
    affairs:    p:0.825700  r:0.964377r:    f:0.889667
    fashion:    p:0.941822  r:0.885077r:    f:0.912568
    house:  p:0.949100  r:0.949100r:    f:0.949100
    sports: p:0.973900  r:0.964353r:    f:0.969103
    game:   p:0.950600  r:0.936459r:    f:0.943477
    economic:   p:0.923500  r:0.911559r:    f:0.917490
    ent:    p:0.966500  r:0.895073r:    f:0.929416
    edu:    p:0.949100  r:0.942690r:    f:0.945884
    home:   p:0.931500  r:0.922003r:    f:0.926727
    stock:  p:0.901500  r:0.878998r:    f:0.890107
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    从结果上,看出fasttext的分类效果还是不错的,没有进行对fasttext的调参,结果都基本在90以上,不过在预测的时候,不知道怎么多出了一个分类constellation。难道。。。。查找原因中。。。。 
    2016/11/7更正:从集合B中可以看出训练集的标签中是没有lottery和constellation的数据的,说明在数据准备的时候,每类选取10000篇,导致在测试数据集中lottery和constellation不存在数据了。因此在第一步准备数据的时候可以根据lottery和constellation类的数据进行训练集和测试集的大小划分,或者简单粗暴点,这两类没有达到我们的数量要求,可以直接删除掉

  • 相关阅读:
    Java中的I/O 线程 网络
    20169214 2016-2017-2 《网络攻防实践》第六周学习总结
    20169214 2016-2017-2 《网络攻防实践》第五周学习总结
    20169214 2016-2017-2 《移动平台开发实践》第五周学习总结
    20169214 2016-2017-2 《移动平台开发实践》第四周学习总结
    20169214 2016-2017-2 《网络攻防实践》第四周学习总结
    20169214 2016-2017-2 《网络攻防实践》第三周学习总结
    20169214 2016-2017-2 《移动平台开发实践》第三周学习总结
    20169214 2016-2017-2《网络攻防实践》第二周学习总结
    Android开发设计 实验报告
  • 原文地址:https://www.cnblogs.com/DjangoBlog/p/7903630.html
Copyright © 2011-2022 走看看