菜鸟进阶： C++实现KNN文本分类算法

作者:finallyliuyu(转载请注明原作者和出处)

（代码暂不发布源码下载版，以后会发布）

    KNN文本分类算法又称为(k nearest neighhor)。它是一种基于事例的学习方法，也称懒惰式学习方法。

    它的大概思路是：对于某个待分类的样本点，在训练集中找离它最近的k个样本点，并观察这k个样本点所属类别。看这k个样本点中，那个类别出现的次数多，则将这类别标签赋予该待分类的样本点。

   通过上面的描述，可以看出KNN算法在算法实现上是很简单的，并不十分困难。

1. 给出代码之前，先给出实验条件。

1。语料库格式：

语料库存放在MSSQLSERVER2000的数据库的表单中，表单格式如下：

(fig 1)

2。如何获得该形式的语料库？

你可以从搜狗lab下载2008年的数据，并且用我的程序对这批数据进行处理，抽取出新闻。处理程序见《菜鸟学习C++练笔之整理搜狗2008版语料库--获取分类语料库》或者去下载我上传到博客园的语料资源见《献给热衷于自然语言处理的业余爱好者的中文新闻分类语料库之二》

3。分割出训练语料库与测试语料库（训练语料库和测试语料库也是MSSQL表单，格式同fig1）。关于MSSQLSERVER的一些表复制的技巧见：《MSSQL语句备份》

1. 下面开始给出C++代码：

如果一些函数代码没有给出，请您参阅《菜鸟进阶：C++实现Chi-square 特征词选择算法》以及K-means文本聚类系列（已经完成）

建立VSM模型（考虑到效率问题对训练样本集合与测试样本集采用不同的函数建立VSM模型）

1。对训练集建立VSM模型。

*****************以下函数辅助完成聚类功能*********************************************************************8**********************/
/************************************************************************/
/* 建立文档向量模型                                                                     */
/************************************************************************/
map<int,vector<double> > Preprocess::VSMConstruction(map<string,vector<pair<int,int>>> &mymap)
{   
	clock_t start,finish;
	double totaltime;
	start=clock();
	int corpus_N=endIndex-beginIndex+1;
	map<int,vector<double>> vsmMatrix;
	vector<string> myKeys=GetFinalKeyWords();
	vector<pair<int,int> >maxTFandDF=GetfinalKeysMaxTFDF(mymap);
	for(int i=beginIndex;i<=endIndex;i++)
	{   
		vector<pair<int,double> >tempVSM;
		vector<double>tempVSM2;
		for(vector<string>::size_type j=0;j<myKeys.size();j++)
		{
			//vector<pair<int,int> >::iterator findit=find_if(mymap[myKeys[j]].begin(),mymap[myKeys[j]].end(),PredTFclass(i));
			double TF=(double)count_if(mymap[myKeys[j]].begin(),mymap[myKeys[j]].end(),PredTFclass(i));
			TF=0.5+(double)TF/(maxTFandDF[j].first);
			TF*=log((double)corpus_N/maxTFandDF[j].second);
			tempVSM.push_back(make_pair(j,TF));

		}
		if(!tempVSM.empty())
		{
			tempVSM=NormalizationVSM(tempVSM);
			//
			for(vector<pair<int,double> >::iterator it=tempVSM.begin();it!=tempVSM.end();it++)
			{
				tempVSM2.push_back(it->second);
			}
			vsmMatrix[i]=tempVSM2;



		}
		tempVSM.clear();
		tempVSM2.clear();



	}
	finish=clock();
	totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
	cout<<"为训练语料库集合建立VSM模型共用了"<<totaltime<<endl;


	return vsmMatrix;

}

2。对测试集建立VSM模型。

这里值得一提的是在tf-idf计算特征VSM模型特征词权重的时候，tf:计算的是该词在该篇文章中出现的次数。idf:用的是训练集计算出的idf值。原因在于：在一个分类系统，我们假设代分类的文档是一篇一篇进入分类系统中来的。

/************************************************************************/
/* 获得待分类文档集合的VSM模型                                            */
/************************************************************************/
map<int,vector<double>> Preprocess::GetManyVSM(int begin,int end,map<string,vector<pair<int,int>>> &mymap)
{
	map<int,vector<double> > testingVSMMatrix;
	
	vector<string>keywords=GetFinalKeyWords();
	char * selectbySpecificId=new char [1000];
	memset(selectbySpecificId,0,1000);
	sprintf_s(selectbySpecificId,1000,"select ArticleId,CAbstract from Article where ArticleId between %d and %d",begin,end);
	set<string>stopwords=MakeStopSet();
	if(!ICTCLAS_Init())
	{
		printf("ICTCLAS INIT FAILED!\n");
		string strerr("there is a error");

	}
	ICTCLAS_SetPOSmap(ICT_POS_MAP_SECOND);
	//导入用户词典后
	printf("\n导入用户词典后：\n");
	int nCount = ICTCLAS_ImportUserDict("dict.txt");//覆盖以前的用户词典
	//保存用户词典
	ICTCLAS_SaveTheUsrDic();
	printf("导入%d个用户词。\n", nCount);
	CoInitialize(NULL);
	_ConnectionPtr pConn(__uuidof(Connection));
	_RecordsetPtr pRst(__uuidof(Recordset));
	pConn->ConnectionString="Provider=SQLOLEDB.1;Password=xxxx;Persist Security Info=True; User ID=sa;Initial Catalog=ArticleCollection";
	pConn->Open("","","",adConnectUnspecified);
	pRst=pConn->Execute(selectbySpecificId,NULL,adCmdText);
	while(!pRst->rsEOF)
	{
		string rawtext=(_bstr_t)pRst->GetCollect("CAbstract");
		if(rawtext!="")
		{
			string tempid=(_bstr_t)pRst->GetCollect("ArticleId");
			int articleid=atoi(tempid.c_str());
			vector<string>wordcollection=goodWordsinPieceArticle(rawtext,stopwords);//表示这篇文章的词
			vector<pair<int,int> >maxTFandDF=GetfinalKeysMaxTFDF(mymap);
			int corpus_N=endIndex-beginIndex+1;
			vector<pair<int,double> >tempVSM;
			vector<double>vsm;
			for(vector<string>::size_type j=0;j<keywords.size();j++)
			{
				double TF=(double)count_if(wordcollection.begin(),wordcollection.end(),GT_cls(keywords[j]));
				TF=0.5+(double)TF/(maxTFandDF[j].first);
				TF*=log((double)corpus_N/maxTFandDF[j].second);
				tempVSM.push_back(make_pair(j,TF));

			}
			if(!tempVSM.empty())
			{
				tempVSM=NormalizationVSM(tempVSM);
				for(vector<pair<int,double> >::iterator it=tempVSM.begin();it!=tempVSM.end();it++)
				{
					vsm.push_back(it->second);
				}
				testingVSMMatrix[articleid]=vsm;



			}



		}
		
		pRst->MoveNext();
	}
	
	pRst->Close();
	pConn->Close();
	pRst.Release();
	pConn.Release();
	CoUninitialize();
	delete []selectbySpecificId;
	ICTCLAS_Exit();
	return testingVSMMatrix;
	

	


}

对VSM序列化和反序列化的操作

/************************************************************************/
/*  将VSM模型序列化到本地硬盘                                                                    */
/************************************************************************/
void Preprocess::SaveVSM(map<int,vector<double> >&VSMmatrix,char* dest)
{   clock_t start,finish;
	double totaltime;
	start=clock();
	ofstream ofile(dest,ios::binary);
	for(map<int,vector<double> >::iterator it=VSMmatrix.begin();it!=VSMmatrix.end();++it)
	{
		ofile<<it->first<<endl;
		vector<double>::iterator subit;
		ofile<<it->second.size()<<endl;
		for(subit=(it->second).begin();subit!=(it->second).end();++subit)
		{
			ofile<<*subit<<" ";
		}
		ofile<<endl;
	


	}
	ofile.close();
	finish=clock();
	totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
	cout<<"将语料库集合的VSM模型为序列化到硬盘的时间为"<<totaltime<<endl;


}

/************************************************************************/
/* 加载VSM模型到内存                                                                     */
/************************************************************************/
void Preprocess::LoadVSM(map<int,vector<double> >&VSMmatrix,char* dest)
{   
	clock_t start,finish;
	double totaltime;
	start=clock();
	ifstream  ifile(dest,ios::binary);
	int articleId;//文章id；
	int lenVec;//id对应的vsm的长度
	double val;//暂存数据
	vector<double>vsm;
	while(!ifile.eof())
	{
		ifile>>articleId;
		ifile>>lenVec;
		for(int i=0;i<lenVec;i++)
		{
			ifile>>val;
			vsm.push_back(val);
		}
		VSMmatrix[articleId]=vsm;
		vsm.clear();

	}
	ifile.close();
	finish=clock();
	totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
	cout<<"加载VSM模型到内存的时间为"<<totaltime<<endl;



}

对一篇文章用KNN方法进行分类的函数（这里距离的定义采用余弦相似度）：

/************************************************************************/
/* 对一篇文章分类获取其类别标签   N为KNN中的N的取值                                      */
/************************************************************************/
string Preprocess:: KNNClassificationCell( int N,vector<double>vsm,vector<string>categorization,map<string,vector<pair<int,int>>> &mymap,map<int,vector<double> >&trainingsetVSM){

	clock_t start,finish;
	double totaltime;
	start=clock();


	string classLabel;
	//map<int,vector<double> >trainingsetVSM=VSMConstruction(mymap);
	//vector<double>toBeClassifyDoc=GetSingleVSM(articleId,mymap);
	vector<pair<int,double> >SimilaritySore;//保存待分类样本与训练样本集的测试得分
	//计算相似度得分
	for(map<int,vector<double> >::iterator it=trainingsetVSM.begin();it!=trainingsetVSM.end();it++)
	{
		double score=CalCosineofVectors(vsm,it->second);
		SimilaritySore.push_back(make_pair(it->first,score));

	}
	//将相似度运算结果从高到底排序
	stable_sort(SimilaritySore.begin(),SimilaritySore.end(),isLarger2);
	ostringstream out;
	string articleIds;
	out<<"(";
	int putComma=0;
	for(vector<pair<int ,double> >::size_type j=0;j<N;j++)
	{
		out<<SimilaritySore[j].first;
		if(putComma<N-1)
		{
			out<<",";

		}
		putComma++;


	}
	out<<")";
	articleIds=out.str();//获得和待分类文档距离最近的前N个文档的id字符串
	vector<string> labels=GetClassification(articleIds);
	for(vector<string>::iterator it=labels.begin();it!=labels.end();it++)
	{
		trim(*it," ");
	}
	vector<pair<string,int> >vectorAssit;
	for(int i=0;i<categorization.size();i++)
	{
		int num=count_if(labels.begin(),labels.end(),GT_cls(categorization[i]));
		vectorAssit.push_back(make_pair(categorization[i],num));
	}
	stable_sort(vectorAssit.begin(),vectorAssit.end(),isLarger);
	finish=clock();
	totaltime=(double)(finish-start)/CLOCKS_PER_SEC;
	cout<<"对一篇文章进行KNN分类的时间为"<<totaltime<<endl;


	return vectorAssit[0].first;

	




}

根据articleid 读取数据库获取类别的函数

************************************************************************/
/*      获得训练语料库中文章的类别标签                                                                */
/************************************************************************/
vector<string> Preprocess::GetClassification(string ArticleIds)
{   vector<string>labels;
	char * selectCategorization=new char[5000];
	memset(selectCategorization,50,5000);
	sprintf_s(selectCategorization,5000,"select Categorization from Article where ArticleId in%s",ArticleIds.c_str());
	CoInitialize(NULL);
	_ConnectionPtr pConn(__uuidof(Connection));
	_RecordsetPtr pRst(__uuidof(Recordset));
	pConn->ConnectionString=dbconnection;
	pConn->Open("","","",adConnectUnspecified);
	pRst=pConn->Execute(selectCategorization,NULL,adCmdText);
	delete []selectCategorization;
	while(!pRst->rsEOF)
	{
		string label=(_bstr_t) pRst->GetCollect("Categorization");
		labels.push_back(label);
		pRst->MoveNext();

	}
	pRst->Close();
	pConn->Close();
	pRst.Release();
	pConn.Release();
	CoUninitialize();
	return labels;
	

}

对训练文档集合用KNN进行分类

/************************************************************************/
/* KNN分类器                                                               */
/************************************************************************/
vector<pair<int,string> > Preprocess::KNNclassifier(map<string,vector<pair<int,int>>> &mymap,map<int,vector<double> >&trainingsetVSM,map<int,vector<double> >&testingsetVSM,vector<string>catigorization,int N)
{
	vector<pair<int,string>>classifyResults;
	for(map<int,vector<double> >::iterator it=trainingsetVSM.begin();it!=testingsetVSM.end();it++)
	{
		string label=KNNClassificationCell(N,it->second,catigorization,mymap,trainingsetVSM);
		pair<int,string> temp=make_pair(it->first,label);
		classifyResults.push_back(temp);

	}
	return classifyResults;


}