柴 源

(西安航空學(xué)院 圖書館，西安 710077)

目前，書目數(shù)據(jù)分類標(biāo)引系統(tǒng)的算法模型主要依賴于詞表和知識(shí)庫(kù)，分類標(biāo)引準(zhǔn)確率較低[1]。圖書內(nèi)容簡(jiǎn)介屬于文本文檔，難以通過(guò)一個(gè)線性分類器(直線、平面)來(lái)實(shí)現(xiàn)分類。書目數(shù)據(jù)自動(dòng)分類是采用機(jī)器學(xué)習(xí)算法，將圖書內(nèi)容簡(jiǎn)介經(jīng)過(guò)自然語(yǔ)言處理后與《中國(guó)圖書館分類法》進(jìn)行自動(dòng)匹配的過(guò)程，支持向量機(jī)(Support Vector Machine，SVM)可以將低維空間數(shù)據(jù)通過(guò)核函數(shù)映射到高維空間中，獲得線性可分的特性，實(shí)現(xiàn)自動(dòng)分類[2-3]?；诖?，提出了一種基于SVM的書目數(shù)據(jù)分類算法模型并進(jìn)行實(shí)驗(yàn)研究。

1 支持向量機(jī)

SVM (Support Vector Machine，支持向量機(jī))通過(guò)某種事先選擇的非線性映射，將輸入向量映射到一個(gè)高維空間中，構(gòu)造最優(yōu)分類超平面，將不同類別的樣本分開[4]。超平面是一個(gè)比原特征空間少一個(gè)維度的子空間，在二維情況下是一條直線，在三維情況下是一個(gè)平面[5]。研究表明，支持向量機(jī)在處理二分類任務(wù)時(shí)是非常成功的，解決實(shí)際問(wèn)題時(shí)，它將多分類問(wèn)題轉(zhuǎn)化為多次二分類問(wèn)題，并進(jìn)行最大值或投票決策，從而實(shí)現(xiàn)多分類[6]，基本原理表述如下：

2 自動(dòng)分類模型的設(shè)計(jì)

自動(dòng)分類模型的設(shè)計(jì)主要包括書目數(shù)據(jù)預(yù)處理、文本特征提取、構(gòu)造分類模型、模型性能評(píng)估等階段，具體流程如圖1所示。

圖1 系統(tǒng)設(shè)計(jì)Fig.1 System design

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗。去除重復(fù)的文本，過(guò)濾掉沒(méi)有研究意義的各種符號(hào)，通過(guò)小寫化、詞干提取和詞形還原等規(guī)范化處理語(yǔ)料里的英文詞匯。

中文分詞。為了提高計(jì)算機(jī)對(duì)文本信息的識(shí)別和理解能力，實(shí)驗(yàn)整合中文停用詞表(cn_stopwords.txt)、哈工大停用詞表(hit_stopwords.txt)、百度停用詞表(baidu_stopwords.txt)、四川大學(xué)機(jī)器智能實(shí)驗(yàn)室停用詞庫(kù)(scu_stopwords.txt)等，形成停用詞表；數(shù)字化《中國(guó)分類主題詞表》，形成用戶詞典，并在此基礎(chǔ)上應(yīng)用jieba工具進(jìn)行分詞。

數(shù)據(jù)編碼。原始數(shù)據(jù)中的分類是列表標(biāo)記，為了便于訓(xùn)練分類模型，將其轉(zhuǎn)化為數(shù)值編碼，即給每一個(gè)分類設(shè)定一個(gè)數(shù)值。

2.2 文本向量表示

獲取詞匯表。將數(shù)據(jù)預(yù)處理結(jié)果按照一定比例劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于特征提取、模型構(gòu)建和驗(yàn)證，測(cè)試集用于模型性能測(cè)試。例如：[農(nóng)村，醫(yī)療保障，待遇，水平，標(biāo)準(zhǔn)，統(tǒng)籌，發(fā)揮，醫(yī)療保險(xiǎn)，大病，保險(xiǎn)……]。

計(jì)算每個(gè)詞的TF-IDF值。TF-IDF(Term Frequency-Inverse Document Frequency，詞頻-逆文檔頻度)是一種用于信息檢索與文本挖掘的常用加權(quán)技術(shù)[7]，如果某個(gè)詞在一篇文章中出現(xiàn)的頻率TF高，且在其他文章中很少出現(xiàn)，則認(rèn)為此詞具有很好的類別區(qū)分能力，適合用來(lái)分類。文本中每個(gè)詞的TF值是每個(gè)詞的詞頻/總詞頻，例如：人工智能的詞頻是1，總詞頻是9，所以“人工智能”的TF值是1/9；“人工智能”這個(gè)詞的IDF=log(2/(2+0.001))=-0.0005。

使用TF-IDF表示一個(gè)文本。將訓(xùn)練集中每一個(gè)文本中的每一個(gè)詞對(duì)應(yīng)詞匯表的索引進(jìn)行填值，詞匯表中有的索引就用TF-IDF值填充，沒(méi)有的就用0填充。

2.3 卡方檢驗(yàn)

文本向量表示后，所含的特征維度非常高，需要進(jìn)行特征降維，去除一些與分類關(guān)系不大的無(wú)關(guān)特征，獲取更有價(jià)值的信息，降低算法的復(fù)雜度。

卡方檢驗(yàn)(chi-square distribution，CHI)是一種統(tǒng)計(jì)學(xué)的工具，用來(lái)檢驗(yàn)數(shù)據(jù)的擬合度和關(guān)聯(lián)度，是特征降維有效的方法[8]。假設(shè)特征項(xiàng)t和類別ci之間符合一階自由度的χ2分布，特征項(xiàng)t對(duì)于類別ci的χ2統(tǒng)計(jì)值越高，特征項(xiàng)t和類別ci的相關(guān)性越強(qiáng)，類別區(qū)分度越大，反之，類別區(qū)分度越小。計(jì)算公式如下：

式中，A為包含特征項(xiàng)t且屬于類別ci的文本數(shù)目，B為包含特征項(xiàng)t且不屬于類別ci的文本數(shù)目，C為不包含特征項(xiàng)t且屬于類別ci的文本數(shù)目，D為不包含特征項(xiàng)t且不屬于類別ci的文本數(shù)目。將每個(gè)特征項(xiàng)t的χ2統(tǒng)計(jì)值從大到小排序，選取前若干個(gè)作為特征項(xiàng)集合。

2.4 訓(xùn)練分類器

scikit-learn是一個(gè)功能強(qiáng)大的通用機(jī)器學(xué)習(xí)庫(kù)，封裝了大量常用的機(jī)器學(xué)習(xí)算法，包括各種分類算法。設(shè)計(jì)采用scikit-learn的支持向量機(jī)模型訓(xùn)練分類器，主要是將卡方檢驗(yàn)后的特征向量輸入，使用支持向量機(jī)模型訓(xùn)練分類器，并用訓(xùn)練集數(shù)據(jù)驗(yàn)證分類器的準(zhǔn)確性。

2.5 分類器的性能評(píng)估

準(zhǔn)確率(accuracy)、精確率(precision)、召回率(recall)、f1分?jǐn)?shù)(f1-score)是分類器性能評(píng)估的重要指標(biāo)。準(zhǔn)確率是針對(duì)所有樣本而言的，表示所有樣本有多少被準(zhǔn)確預(yù)測(cè)了，即：

精確率是針對(duì)預(yù)測(cè)結(jié)果而言的，表示預(yù)測(cè)為正的樣本中有多少是真正的正樣本，一種是把正類預(yù)測(cè)為正類(TP)，另一種是把負(fù)類預(yù)測(cè)為正類(FP)，即：

召回率是針對(duì)正樣本而言的，它表示正例樣本中有多少被預(yù)測(cè)正確了。一種是把原來(lái)的正類預(yù)測(cè)成正類(TP)，另一種是把原來(lái)的正類預(yù)測(cè)為負(fù)類(FN)，即：

f1分?jǐn)?shù)(f1-score)是精確率和召回率的調(diào)和平均數(shù)，最大為1，最小為0，值越大意味著模型越好，即：

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)系統(tǒng)環(huán)境為Windows10，語(yǔ)言環(huán)境為Python，調(diào)用Python的第三方機(jī)器學(xué)習(xí)庫(kù)Scikit-learn來(lái)實(shí)現(xiàn)SVM的分類方法。

3.1 實(shí)驗(yàn)數(shù)據(jù)

以西安航空學(xué)院2018-2020年的中文圖書書目數(shù)據(jù)為語(yǔ)料，共計(jì)36 046條。由于研究是通過(guò)圖書內(nèi)容判別分類號(hào)的，所以刪除題名、ISBN、責(zé)任者、主題詞等字段，保留內(nèi)容簡(jiǎn)介和分類號(hào)。預(yù)處理后的數(shù)據(jù)如圖2所示。

圖2 數(shù)據(jù)預(yù)處理結(jié)果(部分)Fig.2 Data pre-processing results(part)

圖2中，category表示圖書類別A,B,C,...,Z；category_id表示類別的數(shù)值化，0表示A，1表示B...；content表示圖書內(nèi)容簡(jiǎn)介；clean_content表示清洗后的文本；cut_content表示每個(gè)文本的分詞結(jié)果。

3.2 TF-IDF特征提取

采用train_test_split()函數(shù)，設(shè)置size=0.25，將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集。調(diào)用TfidfVectorizer類，ngram_range設(shè)置為(1，2)，表示除了抽取每個(gè)詞語(yǔ)外，再抽取每個(gè)詞相鄰的詞并組成一個(gè)“詞語(yǔ)對(duì)”，擴(kuò)展特征集的數(shù)量，提高分類的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果可知，維度是(36 046，684 175)，前者表示總共有36 046條數(shù)據(jù)，后者表示共有684 175個(gè)特征數(shù)量，特征數(shù)量包括所有詞語(yǔ)和詞語(yǔ)對(duì)。特征提取結(jié)果如圖3所示。

圖3 TF-IDF特征提取結(jié)果(部分)Fig.3 TF-IDF feature extraction results(part)

3.3 卡方檢驗(yàn)降維

針對(duì)特征維度較高的情況，實(shí)驗(yàn)使用sklearn中的chi2卡方檢驗(yàn)法進(jìn)行降維，參數(shù)n=4表示找出每個(gè)分類中關(guān)聯(lián)度最強(qiáng)的4個(gè)詞語(yǔ)和4個(gè)詞語(yǔ)對(duì)，加入到詞表中，將詞表中的詞作為保留特征。以TH類為例，部分檢驗(yàn)結(jié)果如圖4所示。

圖4 卡方檢驗(yàn)結(jié)果(TH類)Fig.4 Chi-square test results(TH type)

3.4 模型構(gòu)建與訓(xùn)練

實(shí)驗(yàn)調(diào)用LinearSVC構(gòu)造分類模型，設(shè)置kernel=“rbf”，表示使用rbf核；gamma=0.05，表示rbf核相對(duì)應(yīng)的參數(shù)為0.05；degree=3表示模型的冪次方等于3次。得到模型后，使用訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，編寫函數(shù)myPredict，代碼如下，驗(yàn)證訓(xùn)練集內(nèi)容的分類情況，并抽取不準(zhǔn)確的分類進(jìn)行增量訓(xùn)練。

def myPredict(sec):

format_sec="".join([w for w in list(jieba.cut(remove_punctuation(sec))) if w not in stopwords])

pred_category_id=clf.predict(count_vect.transform([format_sec]))

print(id_to_category[pred_category_id[0]])

例如，當(dāng)sec=“本書吸收了國(guó)內(nèi)經(jīng)濟(jì)學(xué)教材的優(yōu)點(diǎn)，按照微觀經(jīng)濟(jì)學(xué)和宏觀經(jīng)濟(jì)學(xué)的構(gòu)架，對(duì)經(jīng)濟(jì)學(xué)的一些基本理論和專業(yè)知識(shí)、技術(shù)和研究方法進(jìn)行講解與分析。”時(shí)，執(zhí)行函數(shù)，結(jié)果顯示為F，驗(yàn)證結(jié)果準(zhǔn)確。

3.5 模型評(píng)估

模型在測(cè)試集上的精確率、召回率、f1分?jǐn)?shù)及準(zhǔn)確率等性能指標(biāo)，如表1所示。

表1 模型評(píng)估指標(biāo)Tab.1 Indexes of model evaluation

由表1可見(jiàn)，模型的精確率平均達(dá)到0.83，召回率平均達(dá)到0.83，F(xiàn)1分?jǐn)?shù)平均值為0.82，超過(guò)80%。TE、TK、TL、Z各項(xiàng)指標(biāo)低于0.8，一方面是因?yàn)榉诸惖挠?xùn)練數(shù)據(jù)少，模型學(xué)習(xí)不充分；另一方面是因?yàn)殄e(cuò)誤分類涉及多個(gè)主題，機(jī)器無(wú)法識(shí)別?？傮w上，模型準(zhǔn)確率為0.85，達(dá)到預(yù)期目的。

3.6 比較試驗(yàn)

采用邏輯回歸(Logistic Regression)、隨機(jī)森林(Random Forest Classifier)、樸素貝葉斯(Multinomial NB)與SVM進(jìn)行對(duì)比實(shí)驗(yàn)，不同模型對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同模型試驗(yàn)結(jié)果Tab.2 Results of different model tests

Logistic Regression形式簡(jiǎn)單，難以擬合數(shù)據(jù)的真實(shí)分布；Random Forest Classifier限于訓(xùn)練集數(shù)據(jù)的驗(yàn)證，在對(duì)特定噪聲的數(shù)據(jù)進(jìn)行建模時(shí)會(huì)出現(xiàn)過(guò)擬合；Multinomial NB需要知道先驗(yàn)概率，由于假設(shè)的先驗(yàn)?zāi)Ｐ蛯?dǎo)致預(yù)測(cè)效果不佳。如表2所示，SVM的各項(xiàng)評(píng)估指標(biāo)都高于其他模型。

4 結(jié)語(yǔ)

針對(duì)傳統(tǒng)分類標(biāo)引系統(tǒng)算法模型準(zhǔn)確率低、難以有效解決線性不可分?jǐn)?shù)據(jù)的分類問(wèn)題，引進(jìn)了SVM模型，設(shè)計(jì)了基于SVM的書目數(shù)據(jù)智能分類檢測(cè)系統(tǒng)，以西安航空學(xué)院圖書館書目數(shù)據(jù)為樣本，通過(guò)數(shù)據(jù)預(yù)處理、TF-IDF特征提取、chi2特征降維、LinearSVC建模等完成分類器的初次訓(xùn)練，在測(cè)試集上完成分類器的性能評(píng)估，并與邏輯回歸、隨機(jī)森林、樸素貝葉斯進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，召回率為0.82，f1分?jǐn)?shù)為0.82，精確率為0.83，準(zhǔn)確率為0.85，高于其他機(jī)器學(xué)習(xí)模型，精度較高，泛化能力較強(qiáng)，具有良好的適用性。