自然语言处理 - 文本分类的特征

Question

所以我正在尝试使用Weka SVM对文本进行分类。到目前为止，我用于训练SVM的特征向量由培训文本中出现的unigrams和bigrams的TF-IDF统计数据组成。但是，我从测试训练有素的SVM模型得到的结果根本不准确，所以有人能给我反馈我的程序吗？我按照以下步骤对文本进行分类：

1. 构建一个由训练文本中提取的unigrams和bigrams组成的字典
2. 计算每个训练文本中每个unigram / bigram出现的次数，以及unigram / bigram出现的训练文本数量
3. 使用步骤2中的数据计算每个unigram / bigram的TF-IDF
4. 对于每个文档，构造一个特征向量，该向量是字典的长度，并将相应的TF-IDF统计信息存储在向量的每个元素中（例如，文档1的特征向量中的第一个元素将对应相对于文档1），字典中第一个单词的TF-IDF
5. 将类标签附加到每个要素向量，以区分哪个文本属于哪个作者
6. 使用这些特征向量训练SVM
7. 测试文本的特征向量以与训练文本相同的方式构建，并由SVM分类

另外，我是否需要训练具有更多功能的SVM？如果是这样，在这种情况下哪些功能最有效？非常感谢任何帮助，谢谢。

Answer 1

自然语言文档通常包含许多仅出现一次的单词，也称为Hapax Legomenon。例如，Moby-Dick中44％的不同单词只出现一次，17％出现两次。

因此，包括语料库中的所有单词通常会导致过多的功能。为了减小此特征空间的大小，NLP系统通常使用以下一个或多个：

• 删除停用词 - 对于作者分类，这些通常很短，常见词如 ， ， ，< em>哪个，依此类推。
• 词干 - 流行的词干分析器（如Porter词干分析器）使用一组规则来规范化词的变形。例如，步行，步行和步行都映射到词干步行。
• 相关/显着性阈值 - 计算Pearson相关系数或每个要素相对于类别标签的p值。然后设置阈值，并删除所有得分低于该阈值的值的功能。
• 覆盖阈值 - 类似于上述阈值，移除至少在t个文档中没有出现的所有特征，其中t相对于整个语料库大小非常小（<0.05％）。
• 根据词性过滤 - 例如，仅考虑动词或删除名词。
• 根据系统类型进行过滤 - 例如，临床文本的NLP系统可能只考虑在医学词典中找到的单词。

对于词干分析，删除停用词，索引语料库，计算tf_idf或文档相似度，我建议使用Lucene。谷歌“Lucene在5分钟内”提供了一些关于使用lucene的快速简便的教程。

Answer 2

在这些类型的分类中，重要的是你的矢量不是很大，因为你可以在其中获得大量的零，这可能会对结果产生不良影响，因为这些矢量太近而且很难将它们分开正确。此外，我建议你不要使用每个bigrams，选择频率最高的一些（在你的文字中），以减少矢量的大小，并保持足够的信息。一些技术人员为什么会被推荐：http://en.wikipedia.org/wiki/Curse_of_dimensionality最后也很重要的是你有多少数据，你的矢量越大你应该拥有的数据就越多。