使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步

在之前程序的基础上,我尝试对中文内容进行倾向性判断,到目前为止我做的都是二元的,非黑即白,我的同事告诉我朴素贝叶斯也完全可以用在多类别的分类上,之后有机会再找应用场景测试一下,目前我们在实际中的应用场景来说,二元的暂时够用了。

中文在文本分类上和英文最大的不同首先要解决分词问题,还好有很多前辈为之付出了很多努力,在 python 下我使用 jieba 来进行中文的分词,https://github.com/fxsjy/jieba,另外,这个 https://github.com/isnowfy/snownlp 看上去也不错,并且还内置了注入倾向性分析等功能,没有使用过,不知道准确率和性能如何。

之前在class 中训练文本是作为类变量的,因此申明类的实例后,可以自己定义训练文本,我们将中文文本分别放在一个 good.txt 文件和一个 bad.txt 文件,然后通过下面的代码读入训练文本与预先设定的分类。

jieba.initialize()

nb.train_doc_list = []
nb.train_doc_sent_vec = []

with open('train/good.txt', 'r') as f:
    train_txt0 = []
    for line in f:
        train_txt0.append(line)

for item in train_txt0:
    s = list(jieba.cut(item))
    nb.train_doc_list.append(s)
    nb.train_doc_sent_vec.append(0)

with open('train/bad.txt', 'r') as f:
    train_txt1 = []
    for line in f:
        train_txt1.append(line)

for item in train_txt1:
    s = list(jieba.cut(item))
    nb.train_doc_list.append(s)
    nb.train_doc_sent_vec.append(1)

nb.train()
print(nb.p0_v, nb.p1_v, nb.p_ab)

 

运行正常的话,可以得到 p0 和 p1 两个向量矩阵,以及先验概率 0.5。

下面是我用来训练的文本,用的是在京东上随便找的一个手机的好评和差评的第一页内容,各9条,只是测试,这个训练样本以及中文分词还有很大的改进之处,稍后再说。

很不错的手机,手感很好,操作流畅!期待后续表现
用了很久才来评价的,真的很好用。速度很快,海思950真的不错,玩大型游戏也不卡,不发热。专用充电头充电很快,电池也很耐用。看看视频,打电话,上微信,中度用户一天绝对没问题。就是华为预装的软件比较多,要是再简化点就好了。
手机当然是很好的,送货员也是很及时的喽。京东的服务可以说是电商之中最好最及时的。买啥电器产品继续选择京东的了!手机有点大,晚上睡觉不太好用我估计,不沉但是有分量。美腿是我一直用的系列,自己国产的芯片这么牛逼真的要点赞了!!希望华为越来越好,国产不容易,大家都理解。抢购为了更好的排生产计划我们也能理解!!!
很好很强大的手机,京东的速度还是一流的,真的是特别的快。上午下单,下午肯定就能到。这个是其他网站不能比拟的,简直就是快的没道理了。还有就是mate8的指纹怎么那么快呢,一摸就解锁了。这个怎么做到的????这次买mate8 就是赚到了。哈哈,下次给老婆买P9。
帮老弟买的,当时一看这手机就很喜欢,可惜自己已经有水果了,否则也就买这个了
一如既往的好,3079买的。一堆赠品。
东西很好,送的皮套没啥用,其他都挺好
手机不错,老婆喜欢。
很好的手机,媳妇儿非常喜欢

 

用了一个月了,还可以。就是前两天屏幕摔碎了,去换屏幕,拆开后 里面惨目忍睹,机子好像翻新过,零件上的用签字笔写的AB编号到处都是。还是就是这个手机里面的小螺丝,都动过。现在开始质疑网城尤其是京东的产品,心里很不舒服
第一次京东购物,三千大洋买个手机用了不到半个月昨晚花屏了,完全没有预兆出现满屏竖条,有两分钟都不能关机,真心害怕啊,不知道能不能退货,手机现在工作太重要了都不敢再用了
摄像头镜头破了
放第二张卡就不能放扩展卡!为什么没有说明啊!就32g根本就不够用的,不能放卡,这是逼着买贵的啊!差评
昨天收到,今天发现接近屏幕中间横贯屏幕有条绿线,真想骂人
妈的,三网电信4g不可以,只能3g,找客服说要我售后,我才买的新机器就找售后,吃一堑长一智!
价格本来就比其他地方的贵200多,我还在京东买不就是为了放心,省心吗?结果这次大出意料,收到手机后正常出厂带的膜是有个小耳朵好让你撕下来的,结果这个没有就贴着张膜,膜的周边还有好多灰,一看就不是一天形成的,边框耳机孔左边有一个针眼大小的磕碰痕迹,一看什么情况大家心知肚明吧,有点愤怒联系了客服,后来问我朋友,朋友急着用就算了,不换了。但是,这次购物让我对京东有所动摇了,有点寒心,先这样吧,这个差评不是给mate8的,手机无罪,给谁谁明白!!
收到后,手机是坏的,不能发出任何声音,已申请售后,看售后的操作状态再做评价。
这款 手机 我用了16天 电池 就不能用了 花了* 亲 这手机质量令人担忧 我闹心 闹了半个月了 咋回事 * 元 买的 也算是中上等手机了 很无奈 质疑品质 去售后修手机 都要花好几百车费 去了好几趟了 闹心啊

 

然后用下面的代码先收工来测试一下。

while 1:
    test_s = input('input comment:')
    test_list = list(jieba.cut(test_s))
    print(test_list)
    p = nb.testing_nb(test_list)
    if p == 0:
        print('classified as good ')
    else:
        print('classified as bad ')

    print()

 

下面是执行的结果,为了查看分词效果,我把测试文本的分词结果一并显示了出来

input comment:这个手机很好用,我很喜欢
['这个', '手机', '很', '好', '用', ',', '我', '很', '喜欢']
p0: -32.2635265486 p1: -39.1939498346
classified as good 

input comment:这个手机很破,一点也不好用
['这个', '手机', '很破', ',', '一点', '也', '不好', '用']
p0: -17.0641800281 p1: -18.803492389
classified as good 

input comment:这个手机屏幕很大,用起来很舒服
['这个', '手机', '屏幕', '很大', ',', '用', '起来', '很', '舒服']
p0: -28.0011339843 p1: -28.3622382739
classified as good 

input comment:再也不会买了,一点也不好,速度慢
['再也不会', '买', '了', ',', '一点', '也', '不好', ',', '速度慢']
p0: -12.2181082359 p1: -13.7462337788
classified as good 

input comment:破手机
['破', '手机']
p0: -10.3238494833 p1: -9.86890081319
classified as bad 

input comment:大屏幕手机,速度很快
['大屏幕', '手机', ',', '速度', '很快']
p0: -13.9816968282 p1: -16.6954460368
classified as good 

input comment:买来质量有问题,售后不解决,这下麻烦了
['买来', '质量', '有', '问题', ',', '售后', '不', '解决', ',', '这下', '麻烦', '了']
p0: -30.6306218629 p1: -28.9683740775
classified as bad

 

看这个结果还是挺有趣的,在只有非常有限的训练文本情况下,还不错。7条手工测试中,有2条判断错误,其他5条正确。

为了检查之后优化是否有效,首先我们不能用手工测试的方法,这样太麻烦了,接下来准备一个测试文本,并且标注好倾向性,然后程序运行后分别计算出 p0 p1 的正面负面与实际正面负面四个百分比,来衡量算法优化效果。

对于文本分类这里,可以改进的地方还有:

  • 加入停用词功能,去除这些常用词带来的干扰
  • 去除所有标点符号和空格等
  • 增加训练文本内容

使用 python 基于朴素贝叶斯进行文本分类学习笔记之一:开始
使用 python 基于朴素贝叶斯进行文本分类学习笔记之二:将原书程序修改并转换为类
使用 python 基于朴素贝叶斯进行文本分类学习笔记之三:中文内容的倾向性判断初步
使用 python 基于朴素贝叶斯进行文本分类学习笔记之四:增加测试文本和计算正确率
使用 python 基于朴素贝叶斯进行文本分类学习笔记之五:增加停用词

Leave a Reply