机器学习框架ML.NET学习笔记【3】文本特征分析 - 好文

一、要解决的问题

问题：常常一些单位或组织召开会议时需要录入会议记录，我们需要通过机器学习对用户输入的文本内容进行自动评判，合格或不合格。（同样的问题还类似垃圾短信检测、工作日志质量分析等。）

处理思路：我们人工对现有会议记录进行评判，标记合格或不合格，通过对这些记录的学习形成模型，学习算法仍采用二元分类的快速决策树算法，和上一篇文章不同，这次输入的特征值不再是浮点数，而是中文文本。这里就要涉及到文本特征提取。

为什么要进行文本特征提取呢？因为文本是人类的语言，符号文字序列不能直接传递给算法。而计算机程序算法只接受具有固定长度的数字矩阵特征向量(float或float数组)，无法理解可变长度的文本文档。

常用的文本特征提取方法有如下几种：

以上只是需要了解大致的含义，我们不需要去实现一个文本特征提取的算法，只需要使用平台自带的方法就可以了。

系统自带的文本特征处理的方法，输入是一个字符串，要求将一个语句中的词语用空格分开，英语的句子中词汇是天生通过空格分割的，但中文句子不是，所以我们需要首先进行分词操作，具体流程如下：

二、代码

代码整体流程和上一篇文章描述的基本一致，为简便起见，我们省略了模型存储和读取的过程。

先看一下数据集：

代码如下：
namespace BinaryClassification_TextFeaturize { class Program { static readonly
string DataPath = Path.Combine(Environment.CurrentDirectory, "Data", "
meeting_data_full.csv"); static void Main(string[] args) { MLContext mlContext =
new MLContext(); var fulldata =
mlContext.Data.LoadFromTextFile<MeetingInfo>(DataPath, separatorChar:',',
hasHeader:false); var trainTestData = mlContext.Data.TrainTestSplit(fulldata,
testFraction:0.15); var trainData = trainTestData.TrainSet; var testData =
trainTestData.TestSet;var trainingPipeline =
mlContext.Transforms.CustomMapping<JiebaLambdaInput,
JiebaLambdaOutput>(mapAction: JiebaLambda.MyAction, contractName:"JiebaLambda")
.Append(mlContext.Transforms.Text.FeaturizeText(outputColumnName:"Features",
inputColumnName:"JiebaText"))
.Append(mlContext.BinaryClassification.Trainers.FastTree(labelColumnName:"Label"
, featureColumnName:"Features")); ITransformer trainedModel =
trainingPipeline.Fit(trainData);//评估 var predictions =
trainedModel.Transform(testData);var metrics =
mlContext.BinaryClassification.Evaluate(data: predictions, labelColumnName:"
Label"); Console.WriteLine($"Evalution Accuracy: {metrics.Accuracy:P2}"); //
创建预测引擎 var predEngine = mlContext.Model.CreatePredictionEngine<MeetingInfo,
PredictionResult>(trainedModel); //预测1 MeetingInfo sampleStatement1 = new
MeetingInfo { Text ="支委会。" }; var predictionresult1 =
predEngine.Predict(sampleStatement1); Console.WriteLine($"
{sampleStatement1.Text}:{predictionresult1.PredictedLabel}"); //预测2 MeetingInfo
sampleStatement2 =new MeetingInfo { Text = "开展新时代中国特色社会主义思想三十讲党员答题活动。" }; var
predictionresult2 = predEngine.Predict(sampleStatement2); Console.WriteLine($"
{sampleStatement2.Text}:{predictionresult2.PredictedLabel}"); Console.WriteLine(
"Press any to exit!"); Console.ReadKey(); } } public class MeetingInfo {
[LoadColumn(0)] public bool Label { get; set; } [LoadColumn(1)] public string
Text {get; set; } } public class PredictionResult : MeetingInfo { public string
JiebaText {get; set; } public float[] Features { get; set; } public bool
PredictedLabel;public float Score; public float Probability; } } View Code


三、代码分析

和上一篇文章中相似的内容我就不再重复解释了，重点介绍一下学习管道的建立。
var trainingPipeline = mlContext.Transforms.CustomMapping<JiebaLambdaInput,
JiebaLambdaOutput>(mapAction: JiebaLambda.MyAction, contractName:"JiebaLambda")
.Append(mlContext.Transforms.Text.FeaturizeText(outputColumnName:"Features",
inputColumnName:"JiebaText"))
.Append(mlContext.BinaryClassification.Trainers.FastTree(labelColumnName:"Label"
, featureColumnName:"Features"));

首先，在进行文本特征转换之前，我们需要对文本进行分词操作，您可以对样本数据进行预处理，形成分词的结果再进行学习，我们没有采用这个方法，而是自定义了一个分词处理的数据处理管道，通过这个管道进行分词，其定义如下：
namespace BinaryClassification_TextFeaturize { public class JiebaLambdaInput {
public string Text { get; set; } } public class JiebaLambdaOutput { public
string JiebaText { get; set; } } public class JiebaLambda { public static void
MyAction(JiebaLambdaInput input, JiebaLambdaOutput output) {
JiebaNet.Segmenter.JiebaSegmenter jiebaSegmenter= new
JiebaNet.Segmenter.JiebaSegmenter(); output.JiebaText= string.Join(" ",
jiebaSegmenter.Cut(input.Text)); } } }
   最后我们新建了两个对象进行实际预测：
//预测1 MeetingInfo sampleStatement1 = new MeetingInfo { Text = "支委会。" }; var
predictionresult1 = predEngine.Predict(sampleStatement1); Console.WriteLine($"
{sampleStatement1.Text}:{predictionresult1.PredictedLabel}"); //预测2 MeetingInfo
sampleStatement2 =new MeetingInfo { Text = "开展新时代中国特色社会主义思想三十讲党员答题活动。" }; var
predictionresult2 = predEngine.Predict(sampleStatement2); Console.WriteLine($"
{sampleStatement2.Text}:{predictionresult2.PredictedLabel}");
预测结果如下：

四、调试

上一篇文章提到，当我们运行Transform方法时，会对所有记录进行转换，转换后的数据集是什么样子呢，我们可以写一个调试程序看一下。
var predictions = trainedModel.Transform(testData); DebugData(mlContext,
predictions);private static void DebugData(MLContext mlContext, IDataView
predictions) {var trainDataShow = new
List<PredictionResult>(mlContext.Data.CreateEnumerable<PredictionResult>(predictions,
false, true)); foreach (var dataline in trainDataShow) {
dataline.PrintToConsole(); } }public class PredictionResult { public string
JiebaText {get; set; } public float[] Features { get; set; } public bool
PredictedLabel;public float Score; public float Probability; public void
PrintToConsole() { Console.WriteLine($"JiebaText={JiebaText}");
Console.WriteLine($"
PredictedLabel:{PredictedLabel},Score:{Score},Probability:{Probability}");
Console.WriteLine($"TextFeatures Length:{Features.Length}"); if (Features !=
null) { foreach (var f in Features) { Console.Write($"{f},"); }
Console.WriteLine(); } Console.WriteLine(); } }
  通过对调试结果的分析，可以看到整个数据处理管道的工作流程。

五、资源获取

源码下载地址：https://github.com/seabluescn/Study_ML.NET

工程名称：BinaryClassification_TextFeaturize

点击查看机器学习框架ML.NET学习笔记系列文章目录 <https://www.cnblogs.com/seabluescn/p/10904391.html>

热门工具换一换