update:
17.12.20 : 关于IDF处描述，经@余海跃同学提醒，细化了解释内容，感谢！
更新内容参见：基于自然语言识别下的流失用户预警

在电商运营过程中，会有大量的用户反馈留言，包括吐槽的差评，商品不满的地方等等，在用户运营生态中，这部分用户是最有可能流失也是最影响nps的人群，通过对其评价的语义分析，每日找出潜在的流失人群进行包括"电话回访","补券安慰"，"特权享受"等行为，有效的降低了用户的流失。根据实际的业务营销效果，在模型上线后，abtest检验下模型识别用户人群进行营销后的流失率比随意营销下降9.2%，效果显著。

当前文本文义识别存在一些问题：
（1）准确率而言，很多线上数据对特征分解的过程比较粗糙，很多直接基于df或者idf结果进行排序，在算法设计过程中，也是直接套用模型，只是工程上的实现，缺乏统计意义上的分析；

（2）文本越多，特征矩阵越稀疏，计算过程越复杂。常规的文本处理过程中只会对文本对应的特征值进行排序，其实在文本选择中，可以先剔除相似度较高的文本，这个课题比较大，后续会单独开一章进行研究；

（3）扩展性较差。比如我们这次做的流失用户预警是基于电商数据，你拿去做通信商的用户流失衡量的话，其质量会大大下降，所以重复开发的成本较高，这个属于非增强学习的硬伤，目前也在攻克这方面的问题。

首先，我们来看下，整个算法设计的思路：

1.通过hive将近期的用户评价hadoop文件下载为若干个text文件
2.通过R语言将若干个text整合读取为一个R内的dataframe
3.利用R里面的正则函数将文本中的异常符号‘#！@￥%%’，英文，标点等去除
（这边可以在hive里面提前处理好，也可以在后续的分词过程中利用停顿词去除）
4.文本分词，这边可以利用R中的Rwordseg，jiebaR等，我写这篇文章之前看到很多现有的语义分析的文章中，Rwordseg用的挺多，所以这边我采用了jiebaR
5.文本分词特征值提取,常见的包括互信息熵，信息增益，tf-idf，本文采取了tf-idf，剩余方法会在后续文章中更新
6.模型训练
      这边我采取的方式是利用概率模型naive bayes+非线性模型random forest先做标签训练，最后用nerual network对结果进行重估
（原本我以为这样去做会导致很严重的过拟合，但是在实际操作之后发现，过拟合并不是很严重，至于原因我也不算很清楚，后续抽空可以研究一下）

下面，我们来剖析文本分类识别的每一步

1.定义用户属性

首先，我们定义了已经存在的流失用户及非流失用户，易购的用户某品类下的购买周期为27天，针对前60天-前30天下单购物的用户，观察近30天是否有下单行为，如果有则为非流失用户，如果没有则为流失用户。提取每一个用户最近一次商品评价作为msg。

2.文本合成

通过hive -e的方式下载到本地，会形成text01，text02...等若干个文本，通过R进行文本整合：

#先设置文本路径
path <- "C:/Users/17031877/Desktop/Nlp/answer/Cmsg" 
completepath <- list.files(path, pattern = "*.txt$", full.names = TRUE)

#批量读入文本
readtxt <- function(x) {  
  ret <- readLines(x)                   #每行读取  
  return(paste(ret, collapse = ""))     #通过paste将每一行连接起来  
}  

#lappy批量操作，形成list，个人感觉对非关系数据，list处理更加便捷
msg <- lapply(completepath, readtxt)  

#用户属性
user_status <- list.files(path, pattern = "*.txt$")

#stringsAsFactors=F，避免很多文本被读成因子类型
comment <- as.data.frame(cbind(user_status, unlist(msg)),stringsAsFactors = F)   
colnames(comment) <- c("user_status", "msg")

基础的数据整合就完成了。

3.数据整理

也可以看到，基础数据读取完成后，还是很多评论会有一些不规则的数据，包括‘#￥%……&’，英文，数字，下面通过正则、停顿词的方式进行处理：

3.1正则化处理

#直接处理
comment$msg <- gsub(pattern = " ", replacement ="", comment$msg)  #gsub是字符替换函数，去空格  
comment$msg<- gsub("[[:digit:]]*", "", comment$msg) #清除数字[a-zA-Z]  
comment$msg<- gsub("[a-zA-Z]", "", comment$msg)   #清除英文字符  
comment$msg<- gsub("\\.", "", comment$msg)      #清除全英文的dot符号  
--------------------------------------------------------------------------------------------------
#如果是常做nlp处理，可以写成函数打包，后期直接library就可以了
#数值删除
removeNumbers = 
    function(x){ 
    ret = gsub("[0-9]","",x) 
    return(ret)
    }
    
#字符删除
removeLiters = 
    function(x){ 
    ret = gsub("[a-z|A-Z]","",x) 
    return(ret)
    }   

#各种操作符处理,\s表示空格,\r表示回车,\n表示换行
removeActions = 
    function(x){
    ret = gsub("\\s|\\r|\\n", "", x)
    return(ret)
    }    
comment$msg=removeNumbers(comment$msg)
comment$msg=removeLiters(comment$msg)
comment$msg=removeActions (comment$msg)

这边需要对正则化里面的一些表示有所了解，详细可以百度，一般我都是具体需求具体去看，因为太多，自己又懒，所以没记

3.2停顿词

#加载jiebaR包
library(jiebaR)

#找jiebaR存停顿词的地方，自行将需要处理掉的符号存进去，我这边是C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8
tagger<-worker(stop_word="C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8")

至于位置可以通过直接输入worker()查看，

当前的是没有stop_word的，所有词存储的位置在：C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/下

4.文本分词

#jieba 分词,去除停顿词
library(jiebaR)
tagger<-worker(stop_word="C:/Program Files/R/R-3.3.3/library/jiebaRD/dict/stop_words.utf8")
words=list()
for (i in 1:nrow(comment)){
    tmp=tagger[comment[i,2]]
    words=c(words,list(tmp))
}

直接先分词，但是分词结果会存在很多只有一个字比如‘的’、‘你’、‘我’等或者很多无意义的长句‘中华人民共和国’、‘长使英雄泪满襟’等，需要把这些词长异常明显无意义的词句去掉。

#词长统计
whole_words_set=unlist(words)
whole_words_set_rank=data.frame(table(whole_words_set))

whole_words_set_dealed=c()
for (i in 1:nrow(whole_words_set_rank)){
    tmp=nchar(as.character(whole_words_set_rank[i,1]))
    whole_words_set_dealed=c(whole_words_set_dealed,tmp)
}
whole_words_set_dealed=cbind(whole_words_set_rank,whole_words_set_dealed)
whole_words_set_dealed=whole_words_set_dealed[whole_words_set_dealed$whole_words_set_dealed>1&whole_words_set_dealed$whole_words_set_dealed<5,]
whole_words_set_dealed=whole_words_set_dealed[order(whole_words_set_dealed$Freq,decreasing=T),]

#words的删除异常值,排序
whole_words_set_sequence=words
key_word=nrow(words)
for (i in 1:key_word){
    for (j in 1:length(words[[i]])){
    tmp=ifelse(nchar(words[[i]][j])>1 & nchar(words[[i]][j])<5,words[[i]][j],'')
    whole_words_set_sequence[[i]][j]=tmp
    }
}
for (i in 1:key_word){
    whole_words_set_sequence[[i]]=whole_words_set_sequence[[i]][whole_words_set_sequence[[i]]!='']
}

5.tf-idf词特征值重要性排序

首先，我们大致看一下排序的数据依旧：

TF = 某词在文章中出现的次数/文章包含的总词数（或者文章有价值词次数）
DF = （包含某词的文档数）/（语料库的文档总数）
IDF = log（（语料库的文档总数）/（包含某词的文档数+1））
这边的+1是为了避免（语料库的文档总数）/（包含某词的文档数）=1，log(1)=0，使得最后的重要性中出现0的情况，与有意义的前提相互驳斥。
TF-IDF = TF*IDF

分别看下，里面的每一项的意义：
TF，我们可以看出，在同一个评论中，词数出现的越多，代表这个词越能成为这篇文章的代表，当然前提是非无意义的助词等。

IDF，我们可以看出，所以评论中，包含目标词的评论的占比，占比数越高，目标词的意义越大，假设1000条评论中，“丧心病狂”在一条评论里面重复了10次，但是其他999条里面一次也没有出现，那就算“丧心病狂”非常能代表这条评论，但是在做文本集特征考虑的情况下，它的价值也是不大的。

下面，我们来看代码：

#tfidf_partone 为对应的tf
tdidf_partone=whole_words_set_sequence
for (i in 1:key_word){
tmp1=as.data.frame(prop.table(table(whole_words_set_sequence[[i]])))
tdidf_partone[[i]]=tmp1    
}

#tdidf_partfour 为对应的idf
tdidf_parttwo=unique(unlist(whole_words_set_sequence))
tdidf_max=length(tdidf_parttwo)
tdidf_partthree=tdidf_parttwo
for (i in 1:tdidf_max){
tmp=0
aimed_word=tdidf_parttwo[i]
    for (j in 1:key_word){
    tmp=tmp+sum(tdidf_parttwo[i] %in% whole_words_set_sequence[[j]])
    }
tdidf_partthree[i]=log(as.numeric(key_word)/(tmp+1))
}
tdidf_partfour=cbind(tdidf_parttwo,tdidf_partthree)
tdidf_partfive=tdidf_partone
colnames(tdidf_partfour)<-c('Var1','Freq1')
for (i in 1:key_word){
tdidf_partfive[[i]]=merge(tdidf_partone[[i]],tdidf_partfour,by=c("Var1"))
}

#计算tf-idf结果，并排序key_word
tdidf_partsix=tdidf_partfive
for (i in 1:key_word){
tmp=tdidf_partfive[[i]][,2:3]
tdidf_partsix[[i]][,2]=as.numeric(tmp[,1])*as.numeric(tmp[,2])
tdidf_partsix[[i]]=tdidf_partsix[[i]][order(tdidf_partsix[[i]][,2],decreasing=T),][]
}

key_word=c()
for (i in 1:key_word){
tmp=tdidf_partsix[[i]][1:5,1]
key_word=rbind(key_word,as.character(tmp))
}

理论上讲，如果这边数据存储方式用的是data.frame的话，可以利用spply、apply等批量处理函数，这边用得是list的方式，对lpply不是很熟悉的我，选择了for的循环，后续这边会优化一下，这样太消耗资源了。

6.模型训练

这边，我最后采取的是概率模型naive bayes+非线性模型random forest先做标签训练，最后用nerual network对结果进行重估方式，但是在训练过程中，我还有几种模型的尝试，这边也一并贴出来给大家做参考。

6.1数据因子化的预处理

这边得到了近400维度的有效词，现在将每一维度的词遍做一维的feature，同时，此处的feature的意义为要么评论存在该词，要么评论中不存在该词的0-1问题，需要因子化一下。

#整合数据
well_dealed_data=cbind(as.character(comment[,1]),key_word)
names=as.data.frame(table(key_word))[,1]
names_count=length(names)
names=as.matrix(names,names_count,1)
feature_matrix=matrix(rep(0,names_count*key_word),key_word,names_count)
for (i in 1:names_count){
    for(j in 1:key_word){
    feature_matrix[j,i]=ifelse(names[i] %in% key_word[j,],1,0)
    }
}

#art=1,literature=-1,标签0-1化
feature_matrix=cbind(well_dealed_data[,1],feature_matrix)
feature_matrix[feature_matrix[,1]=='aimed',1]='1'
feature_matrix[feature_matrix[,1]=='unaimed',1]='-1'

feature_matrix=as.data.frame(feature_matrix)

num=1:(ncol(feature_matrix)-1)
value_name=paste("feature",num) 
value_name=c('label',value_name)
colnames(feature_matrix)=value_name

#feature0-1化
for (i in 1:ncol(feature_matrix)){
feature_matrix[,i]=as.factor(as.numeric(as.character(feature_matrix[,i])))
}

6.2数据切分训练测试

这边就不适用切分函数了，自己写了一个更加快速。

n_index=sample(1:nrow(feature_matrix),round(0.7*nrow(feature_matrix)))
train_feature_matrix=feature_matrix[n_index,]
test_feature_matrix=feature_matrix[-n_index,]

6.3模型训练

（1）backpropagation neural network

这边需要用网格算法对size和decay进行交叉检验，这边不贴细节，可以百度搜索详细过程。

library(nnet)
nn <- nnet(label~., data=train_feature_matrix, size=2, decay=0.01, maxit=1000, linout=F, trace=F)   

#train数据集效果
nn.predict_train = predict(nn,train_feature_matrix,type = "class")
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),nn.predict_train)
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
nn.predict_test = predict(nn,test_feature_matrix,type = "class")
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),nn.predict_test)
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)

（2）Linear Support Vector Machine

这边需要用网格算法对cost进行交叉检验，这边不贴细节，可以百度搜索详细过程。

library(e1071)
svmfit <- svm(label~., data=train_feature_matrix, kernel = "linear", cost = 10, scale = FALSE) # linear svm, scaling turned OFF

#train数据集效果
svmfit.predict_train=predict(svmfit, train_feature_matrix, type = "probabilities")
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(svmfit.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
svmfit.predict_test = predict(svmfit,test_feature_matrix,type = "class")
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(svmfit.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)

（3）贝叶斯分类器

这边我没调参，我觉得这边做的好坏在于数据预处理中剩下来的特征词

library(e1071)
sms_classifier <- naiveBayes(train_feature_matrix[,-1], train_feature_matrix$label)

#train数据集效果
sms.predict_train=predict(sms_classifier, train_feature_matrix)
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(sms.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
sms.predict_test = predict(sms_classifier,test_feature_matrix)
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(sms.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)

（4）随机森林

这边因为是最后的整合模型，需要调参的地方比较多，首先根据oob确定在mtry=log（feature）下的最优trees数量，在根据确定的trees的数量，反过来去确定mtry的确定值。除此之外，还需要对树的最大深度，子节点的停止条件做交叉模拟，是整体模型训练过程中最耗时的地方

library(randomForest)
randomForest=randomForest(train_feature_matrix[,-1], train_feature_matrix$label)

#train数据集效果
rf.predict_train=predict(randomForest, train_feature_matrix)
result_combind_train=cbind(as.numeric(as.character(train_feature_matrix$label)),as.numeric(as.character(rf.predict_train)))
correction_train=nrow(result_combind_train[result_combind_train[,1]==result_combind_train[,2],])/nrow(result_combind_train)

#test数据集效果
rf.predict_test = predict(randomForest,test_feature_matrix)
result_combind_test=cbind(as.numeric(as.character(test_feature_matrix$label)),as.numeric(as.character(rf.predict_test)))
correction_test=nrow(result_combind_test[result_combind_test[,1]==result_combind_test[,2],])/nrow(result_combind_test)

就单模型下的test集合的准确率如下：

整体上看，nnet是过拟合的，所以在测试集上的效果折扣程度最大；naive bayes模型的拟合效果应该是最弱的，但是好在它的开发成本低，逻辑简单，有统计意义；svm和randomforest这边的效果不相上下。本次训练的数据量在20w条左右，理论上讲再扩大数据集的话，randomforest的效果应该会稳定，svm会下降，nnet会上升。

（5）模型集成

这边的train_data的准确率在92.1%，test_data的准确率在84.3%，与理想的test_data90%以上的准确率还是有差距，所以后续准备：
1.细化流失用户的定义方式，当前定义过于笼统粗糙
2.以RNN的模型去替代BpNN去做整合训练，探索特征到特征本身的激活会对结果的影响
3.重新定义词重要性，考虑互信息熵及isolation forest的判别方式

最后谢谢大家的阅读。

---

欢迎大家关注我的个人bolg，更多代码内容欢迎follow我的个人Github，如果有任何算法、代码疑问都欢迎通过公众号发消息给我哦。

少年，扫一下嘛