文本分類(lèi)中TF-IDF算法的改進(jìn)研究

吳宗卓

關(guān)鍵詞：文本分類(lèi);特征選擇;CHI平方統(tǒng)計(jì);TFIDF;分類(lèi)準(zhǔn)確性

隨著在線信息的快速發(fā)展，如何有效地處理大量文本成為一個(gè)熱門(mén)的研究課題，文本分類(lèi)是其中的關(guān)鍵任務(wù)之一。文本分類(lèi)是將新文檔分配給預(yù)先存在的類(lèi)別，并且已廣泛用于許多領(lǐng)域，如信息檢索、電子郵件分類(lèi)、垃圾郵件過(guò)濾、主題定位。

近年來(lái)，大多數(shù)研究集中在尋找新的分類(lèi)算法上，對(duì)信息檢索的文獻(xiàn)表示模型的改進(jìn)研究很少。傳統(tǒng)模型有三種：向量空問(wèn)模型、概率模型、推理網(wǎng)絡(luò)模型。向量空問(wèn)模型把對(duì)文本內(nèi)容的處理簡(jiǎn)化為向量空間中的向量運(yùn)算，并且它以空間上的相似度表達(dá)語(yǔ)義的相似度，直觀易懂，使用最廣泛。在向量空間模型中，有一些常用的加權(quán)方法，如布爾加權(quán)、頻率加權(quán)、TF-IDF加權(quán)、TFC加權(quán)、LTC加權(quán)、熵加權(quán)，其中TF-IDF加權(quán)是其中使用最廣泛的一種。

提出了對(duì)向量空間模型的TF-IDF加權(quán)算法的改進(jìn)算法。TF-IDF考慮術(shù)語(yǔ)頻率（TF）和逆文檔頻率（IDF），在這種方法中，如果術(shù)語(yǔ)頻率高并且該術(shù)語(yǔ)僅出現(xiàn)在一小部分文檔中，那么這個(gè)術(shù)語(yǔ)具有很好的區(qū)分能力，這種方法強(qiáng)調(diào)能夠更多地區(qū)分不同的類(lèi)，但忽略了這樣一個(gè)事實(shí)，即經(jīng)常出現(xiàn)在屬于同一類(lèi)的文檔中的術(shù)語(yǔ)可以代表該特征。因此引入一個(gè)新的參數(shù)來(lái)表示類(lèi)內(nèi)特性，然后進(jìn)行了一些實(shí)驗(yàn)來(lái)比較效果，結(jié)果顯示這種改進(jìn)具有更好的準(zhǔn)確性。

1文本分類(lèi)步驟

文本分類(lèi)通常包括5個(gè)主要步驟：文檔預(yù)處理、文檔表示、降維、模型訓(xùn)練、測(cè)試和評(píng)估。

1.1文檔預(yù)處理

在這一步中，需要?jiǎng)h除html標(biāo)簽、稀有單詞、停用詞，并且需要標(biāo)注一些詞干，這在英語(yǔ)中很簡(jiǎn)單，但在中文、日語(yǔ)和其他一些語(yǔ)言中很難。通過(guò)文本預(yù)處理后，文檔內(nèi)部的噪音數(shù)據(jù)就被剔除。文檔在內(nèi)容方面就能進(jìn)行分類(lèi)使用了。

1.2文件表示

在進(jìn)行分類(lèi)之前，需要將文檔轉(zhuǎn)換為計(jì)算機(jī)可以識(shí)別的格式，矢量空間模型（VSM）是最常用的方法。此模型將文檔作為多維向量，并將從數(shù)據(jù)集中選擇的特征作為此向量的維度。其中每一個(gè)維度對(duì)應(yīng)一個(gè)特征詞，如果某個(gè)特征詞存在于某個(gè)文檔中，那它在矢量空間模型的向量中的值為非零。

1.3降維

因?yàn)樵谖臋n中，有成千上萬(wàn)的單詞，不做處理的話就有成千上萬(wàn)個(gè)特征詞。如果選擇所有單詞作為特征，那么進(jìn)行分類(lèi)是不可行的，因?yàn)橛?jì)算機(jī)無(wú)法處理這樣的數(shù)據(jù)量。因此需要選擇那些最有意義和最具代表性的分類(lèi)特征作為特征詞，最常用的特征選擇方法包括CHI平方統(tǒng)計(jì)、信息增益、互信息、文檔頻率、潛在語(yǔ)義分析。

1.4模型訓(xùn)練

這是文本分類(lèi)中最重要的部分。寫(xiě)好改進(jìn)算法的代碼之后，通過(guò)從語(yǔ)料庫(kù)中選擇一部分文檔以組成訓(xùn)練集，剩下文檔作為測(cè)試集。在訓(xùn)練集上執(zhí)行學(xué)習(xí)，然后生成模型。

1.5測(cè)試和評(píng)估

此步驟使用從步驟4生成的模型，并對(duì)得到的測(cè)試集執(zhí)行分類(lèi)，最后選擇適當(dāng)?shù)乃饕M(jìn)行評(píng)估。

2 TF-IDF

在向量空間模型中，TF-IDF（術(shù)語(yǔ)頻率一逆文檔頻率）是一種廣泛使用的加權(quán)方法，TF-IDF算法是基于這種假設(shè)的：對(duì)于最優(yōu)特征詞來(lái)說(shuō)，這些特征詞在一類(lèi)或一部分文檔中大量出現(xiàn)，而在其他文檔中很少出現(xiàn)或者不出現(xiàn)。所以使用術(shù)語(yǔ)頻率TF就可以劃分相同文本。

另外，考慮一個(gè)特征詞在所在文本當(dāng)中的重要程度，認(rèn)為一個(gè)文本中，特征詞出現(xiàn)次數(shù)越高，特征詞就越重要，因此引入了逆文檔頻率IDF。以術(shù)語(yǔ)頻率TF和逆文檔頻率IDF的乘積作為向量空間模型的取值測(cè)度。不過(guò)在本質(zhì)上IDF是避免噪音數(shù)據(jù)的一種加權(quán)手段，同時(shí)認(rèn)為文本量少就重要，文本量多就不重要，這明顯是有不完全正確的。所以該算法的精度并不高。

TF-IDF沒(méi)有考慮不同文件長(zhǎng)度對(duì)加權(quán)的影響，為了改進(jìn)這一點(diǎn)，提出了TFC，它實(shí)際上是公式（1）的標(biāo)準(zhǔn)化。同時(shí)當(dāng)N等于n時(shí)，a變?yōu)榱?，這通常出現(xiàn)在小數(shù)據(jù)集中。為防止計(jì)算中出現(xiàn)零的結(jié)果需要改進(jìn)公式（1），TFC如下所示：

LTC是TF-IDF的一種不同格式，它考慮了小數(shù)據(jù)集的限制，它實(shí)際上是公式（2）的歸一化。公式為：

3 TF-IDF-IF

關(guān)于TF-IDF的缺點(diǎn)，引入了一個(gè)新的參數(shù)來(lái)表示類(lèi)內(nèi)特征，稱(chēng)之為類(lèi)頻率，它計(jì)算一個(gè)類(lèi)中文檔中的術(shù)語(yǔ)頻率。然后將這個(gè)新的加權(quán)方法重命名為T(mén)F-IDF-IF，其公式基于公式（2）：

該方法通過(guò)引入類(lèi)中文檔中的術(shù)語(yǔ)頻率，可以緩解IDF認(rèn)為文本量少就重要、文本量多就不重要的問(wèn)題。

4實(shí)驗(yàn)和分析

在實(shí)驗(yàn)中，選擇使用常用的路透社Reuters數(shù)據(jù)集和20newsgroup數(shù)據(jù)集。在繼續(xù)之前，進(jìn)行一些預(yù)處理，例如刪除html標(biāo)簽，過(guò)濾無(wú)效字符，刪除停用詞。在此處理之后，對(duì)于路透社，選擇了6088個(gè)訓(xùn)練樣本，2800個(gè)測(cè)試樣本共59個(gè)類(lèi)別。對(duì)于20newsgroup，選擇8000個(gè)訓(xùn)練樣本，2000個(gè)測(cè)試樣本共20個(gè)類(lèi)。然后使用CHI卡方統(tǒng)計(jì)特征選擇方法來(lái)選擇1000個(gè)特征，然后分別使用TF-IDF、TF-IDF-CF、LTC、TFC方法在一些常用的分類(lèi)器如樸素貝葉斯、貝葉斯網(wǎng)絡(luò)、KNN、SVM中進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)束后，比較了TF-IDF-IF與TF-IDF，LTC，TFC的結(jié)果。

4.1CHI卡方統(tǒng)計(jì)

卡方統(tǒng)計(jì)是一種非常有用的文本分類(lèi)特征選擇方法，它可以測(cè)量特征和類(lèi)之間的相關(guān)性。設(shè)N是訓(xùn)練樣本文本總數(shù)，A是文本集中包含特征t且在類(lèi)別c中的文本個(gè)數(shù)，B是文本集中包含特征t在但不屬于類(lèi)別c的文本個(gè)數(shù)，D是文本集中屬于類(lèi)別c但不包含特征t的文本個(gè)數(shù)，E是文本集中不包含特征t也不在類(lèi)別c中的文本個(gè)數(shù)?？ǚ浇y(tǒng)計(jì)可以描述為：

當(dāng)卡方統(tǒng)計(jì)量y2（t，c）=0時(shí)，表示特征和類(lèi)別沒(méi)有關(guān)系，即特征和類(lèi)別相互獨(dú)立?？ǚ浇y(tǒng)計(jì)量x2（t，c）越大表示兩者關(guān)系越密切。

4.2實(shí)驗(yàn)

基于這兩個(gè)數(shù)據(jù)集，使用CHI平方統(tǒng)計(jì)方法來(lái)選擇1000個(gè)特征，然后使用一些常用的算法如樸素貝葉斯，貝葉斯網(wǎng)絡(luò)，KNN，SVM在一個(gè)著名的數(shù)據(jù)挖掘工具WEKA上進(jìn)行實(shí)驗(yàn)，只考慮比較結(jié)果時(shí)的分類(lèi)準(zhǔn)確度：

4.3分析

從表1的實(shí)驗(yàn)結(jié)果可以看出，改進(jìn)的TF-IDF-CF加權(quán)方法在路透社Reuters和20newsgroup中具有最佳精度，與原始TF-IDF加權(quán)方法相比，精度大大提高。雖然TFC和LTC在像樸素貝葉斯這樣的分類(lèi)器上比TF-IDF有更好的結(jié)果，但它不像TF-IDF那樣有意義，所以它們通常不用于計(jì)算加權(quán)。新方法大大提高精度的原因是TF-IDF只強(qiáng)調(diào)區(qū)分不同類(lèi)的能力，但低估了表示類(lèi)本身的能力。在一個(gè)類(lèi)的文檔中出現(xiàn)的術(shù)語(yǔ)越多，該術(shù)語(yǔ)代表該類(lèi)的重要性就越大。從理論和實(shí)驗(yàn)中，可以看到這種改進(jìn)可以達(dá)到更好的準(zhǔn)確性。

5結(jié)論

文本分類(lèi)是當(dāng)前信息檢索的熱門(mén)研究課題，是數(shù)據(jù)挖掘和信息檢索的重要分支。如何提高分類(lèi)準(zhǔn)確率是文本分類(lèi)中的一個(gè)重要課題，為了解決這個(gè)問(wèn)題，已經(jīng)做了大量的研究來(lái)尋找能夠提高準(zhǔn)確性的新分類(lèi)器，而本文試圖通過(guò)提出改進(jìn)TF-IDF加權(quán)方法來(lái)提高準(zhǔn)確性。從實(shí)驗(yàn)中可以看出這種改進(jìn)顯著提高了準(zhǔn)確性，因此認(rèn)為這種改進(jìn)是可以接受的。