【爬虫+文本分类】--新浪各类新闻标题，并用各类算法进行文本分类

自己设计的小项目，初始想法很简单，检验自己爬虫和nlp基本技能（分词、词向量（tokenize\onehot\tfidf\word2vec））和各类算法（朴素贝叶斯、svm、CNN、LSTM）掌握情况，进一步查漏补缺，提升工程能力和算法应用能力：）

**

**
分析新浪网各类新闻网页结构，应用requests库，爬取并解析新浪各类新闻，包括汽车、教育、金融、娱乐、体育、科技共六类，
对于有“滚动”新闻链接的板块（如sport、tech、entertaimment），通过滚动新闻爬取数据：此类数据多为动态链接，需要异步加载，即自行分析json格式获取其中新闻url
对于没有“滚动”新闻链接的板块（如finance、edu、auto），通过层层解析各层banner,获取最终新闻url
爬取内容包括time,title,source,comments, 爬取后整理为‘title category’格式，每类新闻共爬取3000条标题样本

sinanews_all.py代码如下：

文本如下：

**

**
（一）进行数据清洗：
1、删除空行(将空行前后的文本split为两个text,用“，”连接起来）；
2、删除乱码和特殊符号；
3、删除英文字符；
4、分词后删除停用词（包括标点符号）
之后进行shuffle,生成最终建模文本：最终样本分布情况如下：


（二）生成各种词向量：关于词向量之间的思考见之前写的文章‘’
1、用sklearn库:
from sklearn.feature_extraction.text import CountVectorizer,TfidfTransformer--------生成tfidf表示的文本标题
2、用keras库：
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences---------生成tokenize表示的文本标题
from keras.utils import to_categorical-------生成onehot表示的文本标题
3、用gensim库：
from gensim.models import word2vec --------以及爬取的文本生成word2vec model
4、人工拆分数据集为训练集（64%）、验证集（16%）和测试集（20%）

**

**

1、CNN：用keras库构建简单的sequential模型(嵌入层-卷积层-池化层-全连接层构成）

2、LSTM（用keras库构建简单的sequential模型（嵌入层-LSTM层-全连接层））

3、朴素贝叶斯（sklearn.naive_bayes）
4、SVM（sklearn.svm）
（此处选择朴素贝叶斯和SVM，没有用softmax和决策树与神经网络进行对比，主要考虑因素是，
1）朴素贝叶斯属于生成式模型，在这种样本量较小的情况下，因该是效果较好的，与其他判别式模型对比，正好看看效果差别，让自己今后选择模型有更直观的认识；
2）在判别式分类模型中，softmax是以线性模型为基础的，因此单个softmax模型对于非线性的分类边界拟合就是一条直线，效果不好；
3）决策树模型的分类边界是与坐标轴平行的，对于与坐标轴不平行的数据类别边界的分类效果不好，或者说对于连续型数据分类效果不如类别型数据效果好，最后对分类边界的拟合是平行于坐标轴的各种十字框，虽然十字框可以对部分非线性进行拟合，但对于大部分非线性边界还是效果不好；
4）SVM是以支持向量为基础，计算与支持向量距离最大的边作为分类边界，不同的核函数可以将分类边界拟合为不同的曲线，因此对非线性边界的拟合效果是最好的，但是比较适合小样本【由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。】------SVM的数学推导看了很多遍，对算法过程和思想比较理解了，但对数学公式和推导依然晕乎乎，后面有机会再看看，唉）
那么对于神经网络这个非线性拟合高手来说，softmax和决策树太弱了，就让朴素贝叶斯、SVM来与之一决高下吧：）

**

**
对于多分类问题：
1）每一类别的roc曲线：
构建将类别进行二值化（类似onehot）的真实Y值矩阵，即标签矩阵；
根据模型预测得到的预测Y值各类别概率的矩阵；------根据概率矩阵，生成预测Y值对应的二值化矩阵（即将概率最大的类别位置置为1，其他类别对应位置置为0），即预测矩阵
根据各类别的标签矩阵及预测矩阵，可以计算出各个阈值下的假正例率（FPR）和真正例率（TPR），从而绘制出一条ROC曲线，即该类别对应的ROC曲线。

2）总体模型的roc曲线：
方法一：上述N条ROC曲线取平均，即可得到最终的ROC曲线----记为ROC[‘macro’]。
方法二：首先，对于一个测试样本：1）标签只由0和1组成，1的位置表明了它的类别（可对应二分类问题中的‘’正’’），0就表示其他类别（‘’负‘’）；2）要是分类器对该测试样本分类正确，则该样本标签中1对应的位置在概率矩阵P中的值是大于0对应的位置的概率值的。基于这两点，将标签矩阵和预测矩阵分别按行平铺展开，转置后形成两列，这就得到了一个二分类的结果。根据这两列直接得到最终的ROC曲线----记为ROC[‘micro’]

各【词向量+模型】分类效果如下：

由上面六张roc图可以看出：对于小样本数据：
1）tfidf-朴素贝叶斯，无论是单标签分类还是整体模型，效果都是最好的，其次是tfidf-svm模型，其次是LSTM，最后是CNN
2）由于用目前仅由的样本数据训练的word2vec，效果并没有显现出来，与一般tokenize后embedding的效果相差不大

爬虫 分类 文本分类 新浪 新闻标题 算法