一、NLP中的文本分类

1.0 文本分类的应用场景

1.1 文本分类流程

编辑

1.2 判别式模型

1.3 生成式模型

1.4 评估

1.5 参考文献

NLP学习笔记系列，欢迎收藏交流：

零、自然语言处理开篇-CSDN博客

一、NLP中的文本分类-CSDN博客

二、NLP中的序列标注（分词、主体识别）-CSDN博客

三、NLP中的句子关系判断-CSDN博客

四、自然语言中的生成式任务-CSDN博客

1.0 文本分类的应用场景

（1）情感分析：中性，正向评论，负向评论，黄色言论，暴力言论，反政言论等；

（2）主题、话题分类：法律、经济类话题等；

（3）垃圾邮件识别；

（4）意图识别：开关车门，开关车灯，闲聊等类别。

1.1 文本分类流程

（0）数据预处理：将本文中的停用词、空格、大小写等进行去除和归一。

（1）特征提取：将本文字符转换成数学模型能够识别的向量或者token，也就是第零章节中讲到的部分。

（2）维度处理：传统机器学习模型在处理分类任务前，通常会对输入的特征进行降维处理，以避免资源爆炸及训练时间过长，常用的维度处理方法有：主成分分析PCA（无监督、降维后的方差diff最大）、线性判别分析LDA（有监督）等。对于深度学习模型，由于大部分进行了词嵌入处理，因此一般不需要对维度进行特殊处理。

PCA的具体推导和实现：主成分分析法（PCA）-CSDN博客

LDA的具体推导和实现：线性判别分析LDA

其他降维方法：机器学习降维算法汇总！

（3）分类模型：处理好特征后，就可以利用机器学习或者深度学习模型对数据进行分类，常用的分类模型分为判别式模型和生成式模型，将在下面两节着重介绍。

1.2 判别式模型

人为设定好模型框架，通过数据的不断训练修正模型参数，最后输入数据，直接判断数据所属类别的概率。要确定一个羊是山羊还是绵羊，用判别式模型的方法是从历史数据中学习到模型，然后通过提取这只羊的特征来预测出这只羊是山羊的概率，是绵羊的概率。

LR：Logistic Regression逻辑回归，最常用及最简单的一种分类模型。曾经写的LR的博客

KNN：k-最近邻，一种有监督的模型，对于一个未知类别的数据，去计算得到K个与之距离最近的有标签的数据，最后通过投票的方式得到未知数据的类别。

SVM：支持向量机，通过计算得到一个超平面将数据进行分类。曾经写的关于SVM的博客

决策树：一种基于树结构进行决策判断的模型，它通过多个条件判别过程将数据集分类，最终获取需要的结果。（根据计算熵增方式的不同，分为ID3决策树、C4.5决策树、CART决策树）

集成分类器：XGBoost， GBDT。

MLP：多层感知器，通常由一个输入层、多个隐藏层和一个输出层组成，能够通过学习给出输入数据的类别概率。曾经写的关于MLP的博客

RNN：循环神经网络，在MLP的隐藏层中加入上一次计算得到的结果同时作为当前隐藏层的输入，来保存时序性数据的信息。曾经写的RNN的博客

LSTM：类似电路设计，会有输入门、遗忘门、输出门，遗忘门会有选择的遗忘低概率的数据。

BERT、ERNIE

1.3 生成式模型

通过数据学习得到数据的联合概率分布，基于条件概率P(X|Y)和先验概率P(Y)来作为预测模型的预测基础，预测联合概率分布P(Y,X)。是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。

贝叶斯网络：一种生成式模型，给定一些先验知识（例如，每个类别的先验概率以及每个特征在不同类别下的条件概率），我们可以计算出某个数据点属于每个类别的后验概率，然后选择具有最高后验概率的类别作为预测结果。