前言
余弦定理,这个在初中课本中就出现过的公式,恐怕没有人不知道的吧。但是另外一个概念,可能不是很多的人会听说过,他叫空间向量,一般用e表示,高中课本中有专门讲过这个东西,有了余弦定理和向量空间,我们就可以做许多有意思的事情了,利用余弦定理计算文本相似度的算法就是其中一个很典型的例子。当然这个话题太老,说的人太多,没有什么新意,恰巧周末阅读了吴军博士的<<数学之美>>这门书,书中讲到了利用余弦定理实现新闻分类,于是就索性完成这个算法的初步模型。感兴趣的可以继续往下看。
算法背景
在以往,如果对一则新闻进行归类,一般使用的都是人工分类的办法,大体上看一下标题和首尾两段文字,就能知道新闻是属于财经的,体育的又或者是健康类的。但是在当今信息爆炸的时代,这显然是不可能完成的任务,所以我们急切的相用机器自己帮我们”分类“。最好的形式是我给计算机提供大量的已分类好的数据,等强大的计算机大脑训练好了这个分类模型,后边的事情就是他来完成了。看起来这好像很高深,很困难的样子,但是其实我们自己也可以写一个,只是效果可能不会那么好。
分类器实现原理
新闻自动分类器实现的本质也是利用余弦定理比较文本的相似度,于是这个问题的难点就在于这个特征向量哪里来,怎么去获得。特征向量,特征向量,关键两个字在于特征,新闻的特征就在于他的关键词,我的简单理解就是专业性的词语,换句话说,就是属于某类新闻特有的词语,比如金融类的新闻,关键词一般就是股票啊,公司啊,上市啊等等词语。这些词的寻找可以通过统计词频的方式实现,最后统计出来的关键词,进行降序排列,一个关键词就代表一个新的维度。 那么新的问题又来了,我要统计词频,那么就得首先进行分词,要把每个新闻句子的主谓宾统统挖掘出来啊,好像这个工作比我整个算法还要复杂的样子。OK,其实已经有人已经帮我们把这个问题解决了,在这个算法中我使用的是中科大的ICTCLAS分词系统,效果非常棒,举个例子,下面是我原始的新闻内容:
教育部副部长:教育公平是社会公平重要基础
7月23日,教育部党组副书记、副部长杜玉波为全国学联全体代表作《教育综合改革与青年学生成长成才》的专题报告。 中国青年网记者 张炎良 摄
人民网北京7月24日电(记者 贺迎春 实习生 王斯慧
经过分词系统处理后的分词效果:
教育部/nt 副/b 部长/n :/wm 教育/v 公平/an 是/vshi 社会/n 公平/a 重要/a 基础/n
7月/t 23日/t ,/wd 教育部/nt 党组/n 副/b 书记/n 、/wn 副/b 部长/n 杜玉波/nr 为/p 全国学联/nt 全体/n 代表作/n 《/wkz 教育/vn 综合/vn 改革/vn 与/cc 青年/n 学生/n 成长/vi 成才/vi 》/wky 的/ude1 专题/n 报告/n 。/wj 中国/ns 青年/n 网/n 记者/n 张/q 炎/ng 良/d 摄/vg
人民/n 网/n 北京/ns 7月/t 24日/t 电/n (/wkz 记者/n 贺/vg 迎春/n 实习生/n 王斯慧/nr )/wky 昨日/t ,/wd 教育部/nt 副/b 部长
OK,有了这个分词的结果之后,后面的事情就水到渠成了。
算法的实现步骤
1、给定训练的新闻数据集。
2、通过分词系统统计词频的方式,统计词频最高的N位作为特征词,即特征向量
3、输入测试数据,同样统计词频,并于训练数据的进行商的操作,得到特征向量值
4、最后利用余弦定理计算相似度,并与最小阈值做比较。
算法的代码实现
ICTCLAS工具类ICTCLAS.java:
package NewsClassify;
import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.util.StringTokenizer;
public class ICTCLAS50 {
static {
try {
String libpath = System.getProperty("user.dir") + "\lib";
String path = null;
StringTokenizer st = new StringTokenizer(libpath,
System.getProperty("path.separator"));
if (st.hasMoreElements()) {
path = st.nextToken();
}
// copy all dll files to java lib path
File dllFile = null;
InputStream inputStream = null;
FileOutputStream outputStream = null;
byte[] array = null;
dllFile = new File(new File(path), "ICTCLAS50.dll");
if (!dllFile.exists()) {
inputStream = ICTCLAS50.class.getResource("/lib/ICTCLAS50.dll")
.openStream();
outputStream = new FileOutputStream(dllFile);
array = new byte[1024];
for (int i = inputStream.read(array); i != -1; i = inputStream
.read(array)) {
outputStream.write(array, 0, i);
}
outputStream.close();
}
} catch (Exception e) {
e.printStackTrace();
}
try {
// load JniCall.dll
System.loadLibrary("ICTCLAS50");
System.out.println("4444");
} catch (Error e) {
e.printStackTrace();
}
}
public native boolean ICTCLAS_Init(byte[] sPath);
public native boolean ICTCLAS_Exit();
public native int ICTCLAS_ImportUserDictFile(byte[] sPath, int eCodeType);
public native int ICTCLAS_SaveTheUsrDic();
public native int ICTCLAS_SetPOSmap(int nPOSmap);
public native boolean ICTCLAS_FileProcess(byte[] sSrcFilename,
int eCodeType, int bPOSTagged, byte[] sDestFilename);
public native byte[] ICTCLAS_ParagraphProcess(byte[] sSrc, int eCodeType,
int bPOSTagged);
public native byte[] nativeProcAPara(byte[] sSrc, int eCodeType,
int bPOStagged);
}
新闻实体类New.javapackage NewsClassify;
/**
* 词语实体类
*
* @author lyq
*
*/
public class Word implements Comparable<Word> {
// 词语名称
String name;
// 词频
Integer count;
public Word(String name, Integer count) {
this.name = name;
this.count = count;
}
@Override
public int compareTo(Word o) {
// TODO Auto-generated method stub
return o.count.compareTo(this.count);
}
}
分类算法类NewsClassify.java:package NewsClassify;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileReader;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Collections;
/**
* 分类算法模型
*
* @author lyq
*
*/
public class NewsClassifyTool {
// 余弦向量空间维数
private int vectorNum;
// 余弦相似度最小满足阈值
private double minSupportValue;
// 当前训练数据的新闻类别
private String newsType;
// 训练新闻数据文件地址
private ArrayList<String> trainDataPaths;
public NewsClassifyTool(ArrayList<String> trainDataPaths, String newsType,
int vectorNum, double minSupportValue) {
this.trainDataPaths = trainDataPaths;
this.newsType = newsType;
this.vectorNum = vectorNum;
this.minSupportValue = minSupportValue;
}
/**
* 从文件中读取数据
*/
private String readDataFile(String filePath) {
File file = new File(filePath);
StringBuilder strBuilder = null;
try {
BufferedReader in = new BufferedReader(new FileReader(file));
String str;
strBuilder = new StringBuilder();
while ((str = in.readLine()) != null) {
strBuilder.append(str);
}
in.close();
} catch (IOException e) {
e.getStackTrace();
}
return strBuilder.toString();
}
/**
* 计算测试数据的特征向量
*/
private double[] calCharacterVectors(String filePath) {
int index;
double[] vectorDimensions;
double[] temp;
News news;
News testNews;
String newsCotent;
String testContent;
String parseContent;
// 高频词汇
ArrayList<Word> frequentWords;
ArrayList<Word> wordList;
testContent = readDataFile(filePath);
testNews = new News(testContent);
parseNewsContent(filePath);
index = filePath.indexOf('.');
parseContent = readDataFile(filePath.substring(0, index) + "-split.txt");
testNews.statWords(parseContent);
vectorDimensions = new double[vectorNum];
// 计算训练数据集的类别的特征向量
for (String path : this.trainDataPaths) {
newsCotent = readDataFile(path);
news = new News(newsCotent);
// 进行分词操作
index = path.indexOf('.');
parseNewsContent(path);
parseContent = readDataFile(path.substring(0, index) + "-split.txt");
news.statWords(parseContent);
wordList = news.wordDatas;
// 将词频统计结果降序排列
Collections.sort(wordList);
frequentWords = new ArrayList<Word>();
// 截取出前vectorDimens的词语
for (int i = 0; i < vectorNum; i++) {
frequentWords.add(wordList.get(i));
}
temp = testNews.calVectorDimension(frequentWords);
// 将特征向量值进行累加
for (int i = 0; i < vectorDimensions.length; i++) {
vectorDimensions[i] += temp[i];
}
}
// 最后取平均向量值作为最终的特征向量值
for (int i = 0; i < vectorDimensions.length; i++) {
vectorDimensions[i] /= trainDataPaths.size();
}
return vectorDimensions;
}
/**
* 根据求得的向量空间计算余弦相似度值
*
* @param vectorDimension
* 已求得的测试数据的特征向量值
* @return
*/
private double calCosValue(double[] vectorDimension) {
double result;
double num1;
double num2;
double temp1;
double temp2;
// 标准的特征向量,每个维度上都为1
double[] standardVector;
standardVector = new double[vectorNum];
for (int i = 0; i < vectorNum; i++) {
standardVector[i] = 1;
}
temp1 = 0;
temp2 = 0;
num1 = 0;
for (int i = 0; i < vectorNum; i++) {
// 累加分子的值
num1 += vectorDimension[i] * standardVector[i];
// 累加分母的值
temp1 += vectorDimension[i] * vectorDimension[i];
temp2 += standardVector[i] * standardVector[i];
}
num2 = Math.sqrt(temp1) * Math.sqrt(temp2);
// 套用余弦定理公式进行计算
result = num1 / num2;
return result;
}
/**
* 进行新闻分类
*
* @param filePath
* 测试新闻数据文件地址
*/
public void newsClassify(String filePath) {
double result;
double[] vectorDimension;
vectorDimension = calCharacterVectors(filePath);
result = calCosValue(vectorDimension);
// 如果余弦相似度值满足最小阈值要求,则属于目标分类
if (result >= minSupportValue) {
System.out.println(String.format("最终相似度结果为%s,大于阈值%s,所以此新闻属于%s类新闻",
result, minSupportValue, newsType));
} else {
System.out.println(String.format("最终相似度结果为%s,小于阈值%s,所以此新闻不属于%s类新闻",
result, minSupportValue, newsType));
}
}
/**
* 利用分词系统进行新闻内容的分词
*
* @param srcPath
* 新闻文件路径
*/
private void parseNewsContent(String srcPath) {
// TODO Auto-generated method stub
int index;
String dirApi;
String desPath;
dirApi = System.getProperty("user.dir") + "\lib";
// 组装输出路径值
index = srcPath.indexOf('.');
desPath = srcPath.substring(0, index) + "-split.txt";
try {
ICTCLAS50 testICTCLAS50 = new ICTCLAS50();
// 分词所需库的路径、初始化
if (testICTCLAS50.ICTCLAS_Init(dirApi.getBytes("GB2312")) == false) {
System.out.println("Init Fail!");
return;
}
// 将文件名string类型转为byte类型
byte[] Inputfilenameb = srcPath.getBytes();
// 分词处理后输出文件名、将文件名string类型转为byte类型
byte[] Outputfilenameb = desPath.getBytes();
// 文件分词(第一个参数为输入文件的名,第二个参数为文件编码类型,第三个参数为是否标记词性集1 yes,0
// no,第四个参数为输出文件名)
testICTCLAS50.ICTCLAS_FileProcess(Inputfilenameb, 0, 1,
Outputfilenameb);
// 退出分词器
testICTCLAS50.ICTCLAS_Exit();
} catch (Exception ex) {
ex.printStackTrace();
}
}
}
场景测试了Client.java:package NewsClassify;
import java.util.ArrayList;
/**
* 新闻分类算法测试类
* @author lyq
*
*/
public class Client {
public static void main(String[] args){
String testFilePath1;
String testFilePath2;
String testFilePath3;
String path;
String newsType;
int vectorNum;
double minSupportValue;
ArrayList<String> trainDataPaths;
NewsClassifyTool classifyTool;
//添加测试以及训练集数据文件路径
testFilePath1 = "C:\Users\lyq\Desktop\icon\test\testNews1.txt";
testFilePath2 = "C:\Users\lyq\Desktop\icon\test\testNews2.txt";
testFilePath3 = "C:\Users\lyq\Desktop\icon\test\testNews3.txt";
trainDataPaths = new ArrayList<String>();
path = "C:\Users\lyq\Desktop\icon\test\trainNews1.txt";
trainDataPaths.add(path);
path = "C:\Users\lyq\Desktop\icon\test\trainNews2.txt";
trainDataPaths.add(path);
newsType = "金融";
vectorNum = 10;
minSupportValue = 0.45;
classifyTool = new NewsClassifyTool(trainDataPaths, newsType, vectorNum, minSupportValue);
classifyTool.newsClassify(testFilePath1);
classifyTool.newsClassify(testFilePath2);
classifyTool.newsClassify(testFilePath3);
}
}
结果输出:最终相似度结果为0.39999999999999997,小于阈值0.45,所以此新闻不属于金融类新闻
最终相似度结果为0.4635393084189425,大于阈值0.45,所以此新闻属于金融类新闻
最终相似度结果为0.661835948543857,大于阈值0.45,所以此新闻属于金融类新闻
测试数据以及全部代码,链接在此:https://github.com/linyiqun/news-classifier参考文献
百度百科
<<数学之美>>第二版.吴军博士