Question

我正在开发一个文本主题分类器，它可以标记句子或小问题。到目前为止，它可以标记大约30个已知主题。

效果很好，但开始使类似的问题相互混淆。

例如，这3个标签：

1）标签-backup_proxy_intranet： 如何为Intranet应用设置备份代理？ ...和140个类似的问题，其中包含“ Intranet应用程序的备份代理” ...

2）标签-Smartphone_intranet： 如何在智能手机中使用Intranet应用程序？和 ...以及140个类似的问题，其中包含“我的智能手机中的Intranet应用” ...

3）标签-ticket_intranet：如何将票证订单与Intranet应用关联？ ...以及140个类似的问题，其中包含“使用Intranet应用程序的机票定单” ...

这3个训练后，总是返回标签 backup_proxy_intranet 。我该怎么做才能将它们分开？

series = series.dropna()
series = shuffle(series)

X_stemmed = []
for x_t in series['phrase']:
    stemmed_text = [stemmer.stem(i) for i in word_tokenize(x_t)]
    X_stemmed.append(' '.join(stemmed_text))

x_normalized = []
for x_t in X_stemmed:
    temp_corpus=x_t.split(' ')
    corpus=[token for token in temp_corpus if token not in stops]
    x_normalized.append(' '.join(corpus))

X_train,X_test,y_train,y_test = train_test_split(x_normalized,series['target'],random_state=0,test_size=0.20)

vect = CountVectorizer(ngram_range=(1,3)).fit(X_train)
X_train_vectorized = vect.transform(X_train)

sampler = SMOTE()
model = make_pipeline(sampler, LogisticRegression())
print()
print("-->Model: ")
print(model)
print()
print("-->Training... ")
model.fit(X_train_vectorized,y_train)

filename = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.model'
pickle.dump(model,open(filename, 'wb'))
filename2 = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.vector'
pickle.dump(vect,open(filename2, 'wb'))

最好的问候！

Answer 1

我认为您可能想使用sklearn的TfidfVectorizer：它应该可以帮助您提高得分！

>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> corpus = [
...     "Label - backup_proxy_intranet: How to set up a backup proxy for intranet app? ... and 140 similar questions containing 'backup proxy for intranet app'"
...     Label - smartphone_intranet: How to use intranet app in my smartphone? and ... and 140 similar questions containing 'intranet app in my smartphone'...
... ]
>>> vectorizer = TfidfVectorizer()
>>> X = vectorizer.fit_transform(corpus)
>>> print(vectorizer.get_feature_names())

Answer 2

我也使用scikit Learn的多项朴素贝叶斯方法获得了最佳结果

如何改善我的文本主题分类器？

2 个答案: