10. 对文本的表达和分析

作者: BT小芒 | 来源:发表于2020-10-24 02:14 被阅读0次

Fundamental concepts：the importance of constructing mining-friendly data representations（构造易于挖掘的数据表现形式的重要性）；representation of text for data mining（文本类数据的挖掘构型）

Exemplary techniques：bag of words representation（词袋模型）；TFIDF calculation（term frequency–inverse document frequency计算）；N-grams（N-grams模型）；Stemming（词干提取）；Named entity extraction（命名实体抽取）；Topic models（主题模型）

这一章，先聊聊为什么文本分析很重要，又很困难，走起！

Why Text Is Important

现在文本沟通的场景越来越多了，也都有记录，数据源比较丰富。

Why Text Is Difficult

文本是语言结构的数据，供人类消费的而不是供计算机。

词语有不同的长度，文章可以有不同的词汇数量，并且词语顺序有时有影响有时没影响。

人经常会拼错单词，也会写语法错误。

下面几个小节主要讲，如何为文本分析做数据准备和预处理。

Representation（表示法）

先明确几个术语：

information retrieval（IR）：信息检索；

document：一单份文本，不论大小，都作为一个独立的分析的单元；

corpus：语料库、文集，这里指的是多个document的一个合集。

Bag of Words

我们有一个documents集，每个单元都是一个相对自由排序的词汇，我们需要把这个状态转换到特征向量的形式上。

词袋模型忽略了语法和词序、句子结构和标点。

第一步的处理通常是将单词当做标记，如果单词出现了就标注为1，不出现标注0，从而排除部分不包含关键词的文档。

Term Frequency

图10-3 经过标准化和词干提取的样本，按照频率排序

为了创造10-3的这个表格，需要进行如下几步处理：

1. 词汇标准化，所有字母变成小写；

2. 词干被提取了，词语后缀统一去掉了，复数词也被变成了单数词；

3. 停用词（stopwords）被去掉了，停用词是经常被用到的词，比如the，and，of等。

通常情况下数字会被直接忽略，但是在某些特殊场景下需要被统计，比如“4TB”和“1Q13”等。

Note：粗心地删除stopwords，就像the road和on the road是两个完全不一样的作品，有时候直接删除stopwords并不是一个好的策略。

这里还需要注意一个点，由于document集合里面的不同文章的长短不同，不能按照词的出现次数来判断，通常以这个词在文档中出现的比例来标记（频次除以总词数），避免长篇文本过多对分析结果造成影响。

Measuring Sparseness：Inverse Document Frequency（稀疏性测量：关键词频次的反向方法）

相对于词袋频次法的另外两种考量：

1. 某个词不能过于稀少，数据分析时会对词汇的出现频率设置下限；

2. 某个词不能过于普通，某个词汇在每个文档中都出现时对文档分类将没什么帮助，通常会对词语设置上限来规避这个问题。

通常，一个词，在文集中越少的文档中出现，那么这个词就越能够表示出这几个文档的特征，也就是成为这些文章的标签词。

这个稀疏性通常用下式表示，名为inverse document frequency（IDF）（逆文档频率），见公式1-01：

$IDF（t）=1+log（\frac{Total-number-of-documents}{Number-of-documents-containing-t} ）$

图10-1 在一个100篇文档的文集里面，词汇t的IDF曲线

通过IDF的图可以看出，词汇出现的越少（越左侧），IDF值越高，向右侧时无限接近1，大部分的stopwords的IDF值都在接近1的位置。

Combining Them：TFIDF（他们结合起来，我们得到了TFIDF）（term frequency–inverse document frequency）

某个词汇 t 在文档 d 中的TFIDF，可以用下面公式表示：

$TFIDF(t,d)=TF(t,d)\times IDF（t）$

TF值是每个单个文档中的词汇出现频次，IDF是跨文档的基于整个corpus的统计结果。

这样每个文档就变成了一个特征向量（feature vector），然后corpus就是整个这些特征向量的一个汇集。

单词挑选的时候可能会使用information gain来给词汇做排序，ig即是某个新增特征对总体样本的熵值减少量，参考本书56页。

词袋法的问题在于，独立地对待每一个单词，把他们当做样本特征，但更多情况下，会对多种分析方法的结果进行对比。

Example：Jazz Musicians（Jazz音乐家）

这里列举了15份音乐家的自传文本，已经有2000个特征词了，在去掉了stopwords之后。

这里的分析过程如下：

第一步，基础的词干提取，结果如下图10-2：

图10-2 针对句子“famous jazz saxophonist born in Kansas who played bebop and Latin”的词干提取后的结果

第二步，去除stopwords，并且所有的词针对文档长度进行了标准化，如下图10-3：

图10-3 针对句子“famous jazz saxophonist born in Kansas who played bebop and Latin”在去除stopwords后并进行了出现频次标准化后的结果。

在文本中jazz和play在jazz音乐的文档中过于常见，所以不能从IDF中得到增值数值，已经变得类似于stopwords。

这个句子的TFIDF如下图10-4所示：

图10-4 针对句子“famous jazz saxophonist born in Kansas who played bebop and Latin”的TFIDF值。

我们在做KNN的时候，使用了距离来聚类，此处我们使用类似的方法：

1. 将句子转换为TFIDF表现，如图10-4；

2. 计算每个音乐家的自传和这个句子的距离，并且选中距离最近的项。为了计算距离，我们使用余弦相似度公式（Cosine Similarity funnction）公式6-5：

$d_{Jaccard} (X,Y)=1- \frac{X\ast Y}{\vert\vert X \vert\vert_{2}\ast \vert\vert Y \vert\vert_{2}}$

距离的计算结果如下表10-4：

表10-4 每个音乐家的自传和句子“famous jazz saxophonist born in Kansas who played bebop and Latin”的相似度，以相似度降序排列

从数据相似度中可以看出最接近的是Charlie Parker，一个萨克斯管吹奏者，Kansas出生，还挺符合这个句子的关键词描述的。

*The Relationship of IDF to Entropy（IDF和熵的关系）

我们从公式开始一步步往下推导，首先一个单词 t 在文集中出现的概率可以如下式（书里面写document set，实际上应该理解为在corpus中某个文档中是否出现单词 t 的概率）：

$p(t)=\frac{Number-of-documents-containing-t}{Total-number-of-documents}$

为了简化理解，我们把 $p(t)$ 简化写为p，我们结合IDF的定义，可以得到某单词 t 的IDF为下式：

$IDF(t)=1+\lg (\frac{Total-number-of-documents}{Number-of-ducuments-containing-t} )$

这里1是一个不变量，我们忽略他，我们看到 $IDF（t）$ 实际上就是 $\lg （\frac{1 }{p} ）$ ，然后又有 $\lg （\frac{1 }{p} ）$ 等于 $-\lg （p）$ ，考虑到corpus中的文档要么就包含 t （概率是p），要么就不包含t（概率是1-p），然后我们定义一个新的变量 $not- t$ ，表示文档中不包含单词 t，那么这个新变量的IDF是多少？如下式：

$IDF(not-T)=\lg （\frac{1}{1-p} ）=-\lg （1-p）$

图10-5 关于IDF(t)和IDF(not-t)的各个不同的情况的曲线

图10-5的左上，两个图像是镜像分布的，现在回忆下公式3-1中对熵的定义，在一个二元概率 $p_{2}=1-p_{1}$ 中，熵值公式如下：

$entropy=-p_{1}\lg (p_{1} )- p_{2}\lg (p_{2} )$

在本章针对单词 t 的分析中，熵值的定义简化为如下式所示：

$entropy(t)=-p\lg (p)-(1-p)\lg (1-p)$

现在引入 $IDF(t)$ 和 $IDF(not-t)$ ，我们可以简化上方的公式，过程如下：

$entropy(t)=-p\lg (p)-(1-p)\lg (1-p)$

$=p\cdot IDF(t)-(1-p)[-IDF(not-t)]$

$=p\cdot IDF(t)+(1-p)[IDF(not-t)]$

可以看到公式已经简化成了一个简单的期望计算式，我们可以把熵值当做 $IDF(t)$ 和 $IDF(not-t)$ 的的期望值来算，基于t在corpus里面出现的概率。它的图形在图10-5的左下角，可以对比下，和第三章的图3-3的熵值曲线是一致的。

Beyond Bag of Words（词袋法延伸）

词袋法是一般情况下的首选，而且很多时候效果也不错，也会被当做文本分析的起手方法，但是有时候其他方法更优秀，下面介绍几个。

N-gram Sequences（N-gram序列）

N-Gram是一种基于统计语言模型的算法。它的基本思想是将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成了长度是N的字节片段序列。

每一个字节片段称为gram，对所有gram的出现频度进行统计，并且按照事先设定好的阈值进行过滤，形成关键gram列表，也就是这个文本的向量特征空间，列表中的每一种gram就是一个特征向量维度。

该模型基于这样一种假设，第N个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。

（来自知乎摘录https://zhuanlan.zhihu.com/p/32829048）

n-Gram的主要缺陷就是会导致feature的巨量增加，并且很多feature都是无用的，需要考虑用一些特殊手段来应对多feature的状况。

Name Entity Extraction（命名实体提取）

许多的文本处理工具会自带一个名字实体提取库。名字实体是对知识体系敏感的一种方法，需要对大量的文集进行训练才能得到名字实体清单。这些命名实体必须要大量学习来提前提取出来，或者手动录入进去词库。通常名字实体词库有行业或领域的特征，针对不同领域使用不同的词库。

Topic Models（主题模型）

考虑到语言的复杂性，有时我们会想要在文档和模型中间加入一个新的层级，如下图10-6所示：

图10-6 通过一个topic layer（主题层）来对文档建模

topic通常是通过非监督学习得到的结果，在执行搜索引擎检索时，可以使用主题检索来代替具体的item检索。

我们可以把topic层当成一个词汇聚类分析的结果，由于是纯粹的算法聚类的，topic的结果有时候并不是为人们熟知的词汇，当然大部分情况下还是易于识别的。

词汇聚类算法包括：matrix factorization methods（矩阵因子分解法）（如Latent Semantic Indexing）、Probabilistic Topic Models（概率主题模型）（如Latent Dirichlet Allocation），算法很复杂本书不展开，学有余力的同学可以自行研究。

Note：Topic as Latent Information（作为潜在信息的主题）

潜在信息挖掘的相关问题我们将在第12章讨论，这是一个在模型和具体词汇中间的一个神秘而力量强大的存在。

Example：Mining News Stories to Predict Stock Price Movement（挖新闻故事来预测股价，刺激！）

先提几个困难和简化的假设：

1. 新闻对股价的远期影响是难以预测的，所以我们预测新闻当天的股价；

2. 预测股票的价格是困难的，所以我们只预测方向，甚至只预测变或不变；

3. 股价的小幅变动是不好预测的，所以我们来预测相对大的变动；

4. 任何一个新闻都有可能影响任何一个股票的价格，他们之间的关联关系是难以判断的，所以我们要缩小因果半径（causal radius），我们假设只有这个文章提及了这个股票，才会对这个股票的股价有影响，这个假设不严格，因为竞争对手的新闻、客户的新闻都会影响股价，而这个文章中不会提到所有这些相关因素，但为了简化分析我们最好还是接受这个假设。

如果一个股票涨超5%，我们称之为surge（飙升），如果跌超5%我们称之为plunge（跳水），这两者之间我们叫stable（稳定），同时我们加上一个灰度空间，避免4.9%和5%被判定为不同的结果，如下图10-7：

针对这个问题，我们创造一个二分类问题，我们把surge和plunge当做change，为正，stable为负。

The Data

sidebar：The News Is Messy

第一，消息的类型很多；第二，消息的格式很多；第三，文章中股票名称标记并不完全准确。

Data Preprocessing（数据预处理）

首先为了排除交易时间外事件的影响，排除掉这些事件导致的交易不稳定，我们用10点开始到下午4点收盘的价格当做价差算涨跌幅；

由于我们想要增加文章和股票的关联性，所以去除掉提及了多个股票的文章；

然后对剩下的文章进行标准化和词干提取并去除stopwords，最后，创造一个2阶n-grams模型，用terms和n-grams来表示每个新闻文章。

数据分析完成后，发现75%的文章属于stable，13%属于surge，12%属于plunge，也就是25%属于change，75%属于no change。

Results（结果）

图10-9 新闻分类问题的ROC曲线

排除股价预测和交易策略，单从图10-9看模型应用情况，有以下特征：

1. 几种模型相对于随机挑选都有上弓，表示文章分析确实有有效性；

2. 逻辑回归和朴素贝叶斯表现差不多，但决策树表现相对较差；

3. 模型建对比，并没有发现显著的相对优势区域。

剩下的分析感觉没啥可总结的，看看就好。

sidebar：Prior Work on Predicting Stock Price from Financial News

sidebar介绍了一些历史，当故事看。

summary

本章结束。