短文本分类工具：LibShortText和TextGrocery

LibShortText

LibShortText是一个开源的Python短文本（包括标题、短信、问题、句子等）分类工具包。它在LibLinear的基础上针对短文本进一步优化，主要特性有：

• 支持多分类
• 直接输入文本，无需做特征向量化的预处理
• 二元分词（Bigram），不去停顿词，不做词性过滤
• 基于线性核SVM分类器，训练和测试的效率极高
• 提供了完整的API，用于特征分析和Bad Case检验

LibShortText的安装

注意，LibShortText不支持pip方式安装，需要下载并在解压后的目录下make进行编译安装。（注意：不支持Windows系统）

LibShortText性能对比

关于LibShortText的性能，我们可以拿scikit-learn的朴素贝叶斯和SVM（也是基于LibLinear）就前文提到的网页标题分类问题进行横向对比：

显然LibShortText无论在准确率和效率上都要更胜一筹。

LibShortText API说明

虽然LibShortText提供了训练和测试的类命令行操作方式，但直接从Python脚本调用更加灵活和强大，了解和训练、预测和分析相关的API是有帮助的。

预处理

Converter模块负责将文本转化为数值化的数据集（数据格式与LibSVM相同），由于内置的分词器仅支持英文，如果要用于中文短文本的分类，就必须替换分词器（如下代码所示）。值得注意的是：分词器不会和模型一起保存，当重载模型时也必须重载分词器。

from libshorttext.libshorttext.converter import *

text_converter = Text2svmConverter()
text_converter.text_prep.tokenizer = comma_tokenizer
convert_text(train_file, text_converter, svm_file)

训练文本的格式如下：娱乐\t组图：刘亦菲短裙秀腿 浓妆变冷艳时髦女

模型

LibShortText提供两组参数供训练时使用：

• train_arguments实际上是LibLinear的训练参数，可设定松弛参数C等
• feature_arguments是特征的表现形式，如词数、词频、TF-IDF等

预测

获得模型后，我们可以预测新文本的类别，LibShortText提供了两个API：

• predict_text(text_file, model) – 针对以行分隔的测试文本
• predict_single_text(single_text, model) – 针对单条文本

类别预测将返回一个PredictResult的对象，包含下列属性：

• predicted_y – 预测的类别（对单条文本预测时是字符串对象，对测试文本预测时是列表对象）
• decvals – 被预测文本对所有类别的决策变量，与文本到分类超平面的距离有关。它是一个列表而非字典对象，如果你希望和类别关联起来，可借助model的get_labels()：decvals = zip(model.get_labels(), predict_result.decvals
• true_y – 真实的类别（仅对测试文本预测时存在）
• get_accuracy() – 获得测试的准确率（仅对测试文本预测时存在）

分析

analyzer的作用是分析LibShortText的预测结果，通过它我们可以了解哪些特征更为关键、哪些类别容易被混淆。比如分析一条体育新闻的标题：

analyzer = Analyzer(model)
analyzer.analyze_single('国青错失绝杀0-0韩国 下轮平越南就出线')

终端输出如下：

可见「国」和「青」一起促成最关键的sports类特征。又比如，选择被误分的样本，调用gen_confusion_table()输出sports、star和movie的混淆表格，以了解哪些类别的特征界限比较模糊。

analyzer = Analyzer(model)
insts = InstanceSet(predict_result).select(wrong, with_labels(['sports', 'movie', 'star']))
analyzer.gen_confusion_table(insts)

终端输出如下（第一行表示预测类别，第一列表示真实类别）：

参考链接：LibShortText简要入门

TextGrocery

TextGrocery是一个基于LibLinear和结巴分词的短文本分类工具，特点是高效易用，同时支持中文和英文语料。TextGrocery主要参考了LibShortText。LibShortText不仅提供了足够简单的API，而且背后的原理也有扎实的实验数据支撑（不过滤停用词，不过滤词性，使用线性核），同时面向解决如下LibShortText问题：

• 默认不支持中文分词
• 如果不是专业的算法人员，默认参数永远是最好的选择，所以参数的自定义并不是很必要
• 中间数据的保存全部以文件格式，每次的训练和测试留下一些陌生文件
• 代码很不Pythonic，也不支持Pypi的简便安装方式

TextGrocery希望把LibShortText变得更友好一些：

• 引入结巴分词作为内置的默认分词器
• 精简LibShortText的代码，去掉Analyzer和参数自定义模块，修复bug，改善PEP8
• 训练和测试的文本都支持列表传入
• 提供Pypi的安装方式

TextGrocery的安装

pip install tgrocery

备注：不支持Windows，不支持Python 3。

TextGrocery的使用

>>> from tgrocery import Grocery
# 新开张一个杂货铺，别忘了取名！
>>> grocery = Grocery('sample')
# 训练文本可以用列表传入
>>> train_src = [
    ('education', '名师指导托福语法技巧：名词的复数形式'),
    ('education', '中国高考成绩海外认可 是“狼来了”吗？'),
    ('sports', '图文：法网孟菲尔斯苦战进16强 孟菲尔斯怒吼'),
    ('sports', '四川丹棱举行全国长距登山挑战赛 近万人参与')
]
>>> grocery.train(train_src)
# 也可以用文件传入
>>> grocery.train('train_ch.txt')
# 保存模型
>>> grocery.save()
# 加载模型（名字和保存的一样）
>>> new_grocery = Grocery('sample')
>>> new_grocery.load()
# 预测
>>> new_grocery.predict('考生必读：新托福写作考试评分标准')
education
# 测试
>>> test_src = [
    ('education', '福建春季公务员考试报名18日截止 2月6日考试'),
    ('sports', '意甲首轮补赛交战记录:米兰客场8战不败国米10年连胜'),
]
>>> new_grocery.test(test_src)
# 准确率
0.5
# 同样可以用文本传入
>>> new_grocery.test('test_ch.txt')
# 自定义分词器
>>> custom_grocery = Grocery('custom', custom_tokenize=list)

参考链接：

• https://textgrocery.readthedocs.io/zh/latest/index.html
• https://github.com/2shou/TextGrocery