数据挖掘之分类

/**

*作者：张荣华

*日期：2008-2-19

**/
随着当代计算机硬件的发展，硬件功能越来越强大，价格越来越低，企业可以记录的数据也越来越多，这些因素就为数据挖掘的普及做了比较好的前提准备，树挖掘是未来信息处理的重要技术，而且就目前而言已经取得了决定性成功而且得到了比较广泛的应用。

数据挖掘中有很多领域，分类就是其中之一，什么是分类，
分类就是把一些新得数据项映射到给定类别的中的某一个类别，比如说当我们发表一篇文章的时候，就可以自动的把这篇文章划分到某一个文章类别，一般的过程是根据样本数据利用一定的分类算法得到分类规则，新的数据过来就依据该规则进行类别的划分。

分类在数据挖掘中是一项非常重要的任务，有很多用途，比如说预测，即从历史的样本数据推算出未来数据的趋向，有一个比较著名的预测的例子就是大豆学习。再比如说分析用户行为，我们常称之为受众分析，通过这种分类，我们可以得知某一商品的用户群，对销售来说有很大的帮助。

分类器的构造方法有统计方法，机器学习方法，神经网络方法等等。常见的统计方法有knn算法，基于事例的学习方法。机器学习方法包括决策树法和归纳法，上面讲到的受众分析可以使用决策树方法来实现。神经网络方法主要是bp算法，这个俺也不太了解。


文本分类， 所谓的文本分类就是把文本进行归类，不同的文章根据文章的内容应该属于不同的类别，文本分类离不开分词，要将一个文本进行分类，首先需要对该文本进行分词，利用分词之后的的项向量作为计算因子，再使用一定的算法和样本中的词汇进行计算，从而可以得出正确的分类结果。在这个例子中，我将使用庖丁分词器对文本进行分词。

下面这个例子将使用反余弦进行词汇单元进行匹配，
第一步，训练样本：

protected Map<String, Map<String, Integer>> getClassVector(List<Category> categoryList) throws Exception {
		
		if (categoryList == null || categoryList.size() == 0) {
			if (logger.isDebugEnabled()) {
				logger.debug("The list of new categoryList which should be classified is null or size = 0");
			}
			return Collections.emptyMap();
		}
		
		Map<String, Map<String, Integer>> categoryMap = new HashMap<String, Map<String, Integer>>();
		
		Directory ramDir = new RAMDirectory();
		IndexWriter writer = new IndexWriter(ramDir, new PaodingAnalyzer(), true);
		
		for (Category cRc : categoryList) {
			for (Article item : cRc.getArticleList()) {
				
				Document doc = new Document();
				doc.add(new Field("description", item.getContent(), Field.Store.NO,
						Field.Index.TOKENIZED, TermVector.YES));
				doc.add(new Field("category", cRc.getId().toString(), Field.Store.YES, Field.Index.NO));
				writer.addDocument(doc);
			}
		}
		
		if (logger.isDebugEnabled()) {
			logger.debug("Generate the index in the memory, the size of categoryList list is " + categoryList.size());
		}
		
		writer.close();
		
		buildContentVectors(ramDir, categoryMap, "category", "description");
		return categoryMap;
		
	}

第二步：对待分类的文章进行分词（原理和样本训练类似）：

protected Map<String, Map<String, Integer>> getArticleVector(List<Article> articleList) throws Exception {
		if (articleList == null || articleList.size() == 0) {
			if (logger.isDebugEnabled()) {
				logger.debug("The list of articles which should be classified is null or size = 0");
			}
		}
		
		Map<String, Map<String, Integer>> articleMap = new HashMap<String, Map<String, Integer>>();
		
		Directory articleRamDir = new RAMDirectory();
//		IndexWriter writer = new IndexWriter(articleRamDir, new ChineseAnalyzer(), true);
		IndexWriter writer = new IndexWriter(articleRamDir, new PaodingAnalyzer(), true);
		
		for (Article article : articleList) {
			Document doc = new Document();
			doc.add(new Field("articleId", article.getId(),
					Field.Store.YES, Field.Index.NO));
			doc.add(new Field("description", article.getContent(), Field.Store.NO, Field.Index.TOKENIZED, TermVector.YES));
			writer.addDocument(doc);
		}
		
		writer.flush();
		writer.close();
		
		buildContentVectors(articleRamDir, articleMap, "articleId", "description");
		return articleMap;
	}

分类的核心算法(下面这段代码的原理来自于lucene in action)：

public double caculateVectorSpace(Map<String, Integer> articleVectorMap, Map<String, Integer> classVectorMap) {
		if (articleVectorMap == null || classVectorMap == null) {
			if (logger.isDebugEnabled()) {
				logger.debug("itemVectorMap or classVectorMap is null");
			}
			
			return 20;
		}
		
		int dotItem = 0;
		double denominatorOne = 0;
		double denominatorTwo = 0;
		
		
		for (Entry<String, Integer> entry : articleVectorMap.entrySet()) {
			String word = entry.getKey();
			double categoryWordFreq = 0;
			double articleWordFreq = 0;
			
			if (classVectorMap.containsKey(word)) {
				categoryWordFreq = classVectorMap.get(word).intValue() / classVectorMap.size();
				articleWordFreq = entry.getValue().intValue() / articleVectorMap.size();
			}
			
			dotItem += categoryWordFreq * articleWordFreq;
			denominatorOne += categoryWordFreq * categoryWordFreq;
			denominatorTwo += articleWordFreq * articleWordFreq;
		}
		
		double denominator = Math.sqrt(denominatorOne) * Math.sqrt(denominatorTwo);
		
		double ratio =  dotItem / denominator;
		
		return Math.acos(ratio);
	}

效果：
测试数据：

public static List<Category> prepareCategoryList() {
		List<Category> categoryList = new ArrayList<Category>();
		List<Article> articleList = new ArrayList<Article>();
		
		Category c = new Category();
		c.setArticleList(articleList);
		c.setId("1");
		categoryList.add(c);
		
		Article a1 = new Article();
		a1.setId("1");
		a1.setTitle("Hibernate初探");
		a1.setContent("开始看Hibernate reference,运行hibernate的test中的代码。 Environment是一个非常重要的类。它定义了很多常量，最重要的是hibernate的入口在这里。");
		
		Article a2 = new Article();
		a2.setId("2");
		a2.setTitle("Hibernate SQL方言");
		a2.setContent("PO的数据类型设置 int 还是Integer Integer 允许为 null Hibernate 既可以访问Field也可以访问Property");
		
		Article a3 = new Article();
		a3.setId("3");
		a3.setTitle("Hibernate 杂烩");
		a3.setContent("Hibernate 中聚合函数的使用 Criteria接口的Projections类主要用于帮助Criteria接口完成数据的分组查询和统计功能:");
		
		Article a4 = new Article();
		a4.setId("4");
		a4.setTitle("Hibernate映射类型");
		a4.setContent("Hibernate映射类型Hibernate映射类型,对应的基本类型及对应的标准SQL类型");
		
		
		articleList.add(a1);
		articleList.add(a2);
		articleList.add(a3);
		articleList.add(a4);
		
		return categoryList;
	}
	
	public static List<Article> prepareArticleList() {
		List<Article> articleList = new ArrayList<Article>();
		Article a1 = new Article();
		a1.setId("1");
		a1.setTitle("Hibernate学习笔记(一)");
		a1.setContent("本笔记的内容: 分层体系结构 ORM介绍 Hibernate简介 Hibernate开发步骤 Hibernate核心API ");
		
		Article a2 = new Article();
		a2.setId("2");
		a2.setTitle("Hibernate的性能问题");
		a2.setContent("各位老大，使用hibernate做企业级别的应用，会不会有性能问题啊？比如大数据量的搜索或者客户端同时大量的请求，会不会严重影响性能啊？有没有什么好的解决办法? 谢了先!");
		
		Article a3 = new Article();
		a3.setId("3");
		a3.setTitle("Spring2.5全面支持JEE5的实现");
		a3.setContent("Spring 2.5 发布已经有一段时间了，一直没有时间研究一下，只是听说有很多方面的提升。有一点十分重要的就是全面支持JEE5风格的annotation。");
		
		Article a4 = new Article();
		a4.setId("4");
		a4.setTitle("谈谈Spring的SqlMapClientTemplate对SqlMapClientCallback");
		a4.setContent("谈谈Spring的SqlMapClientTemplate对SqlMapClientCallback的使用 ■记得以前在看SqlMapClientTemplate的源代码的时候，下面的这两段代码硬是没看懂当时我很疑惑：真的有必要用到内部匿名类这样诡异的手法么？");
		
		Article a5 = new Article();
		a5.setId("5");
		a5.setTitle("spring 2.0 学习笔记");
		a5.setContent("前几天学习hibernate!在mysql下都能正常跑出来.! 但是我一换成oracle就出现下面这种情况: 小弟不解呀..google了很多次也解决不了此问题::.希望老大门帮忙看一下哈.!!! 环境:MyEclipse5.5,hibernate2.0,spring2.0");
		
		articleList.add(a1);
		articleList.add(a2);
		articleList.add(a3);
		articleList.add(a4);
		articleList.add(a5);
		
		return articleList;
	}

以上测试代码中的数据来源于javaeye的文章。
输出：
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=2---------acos value=1.412016112149136
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=1---------acos value=1.3258176636680326
2008-02-19 11:05:42,031 DEBUG ArticleClassifierImpl:74 - articleId=5---------acos value=1.4244090675006476

有此可见文章id号为1,2,5的文章符合hibernate分类，事实上我们还要更进一步，假设我们有两个分类，hibernate，spring，各有5各样本，那么最后的结果应该再次作最小符合判断，acos值最小的则认为该article属于该分类，同学们可以自己做一下实验。

文本分类中有很多注意点，比如说噪音词去除（上面的代码中并包括最简单的噪音词去除功能）等，接下来我会使用knn算法改造以上代码，并使用相同的测试数据并比对测试结果。

评论

13 楼 ahuaxuan 2008-02-19  

mochow 写道

按照你的逻辑，你应该先检查你自己是否看明白我的意思没有。

我的意思很简单：

首先，分类是一类算法的集合，它包含很多种不同的算法，光统计方法的算法常见的除了knn之外，还有贝叶斯，分类是数据挖掘一个很重要的算法，并不意味着它仅仅属于数据挖掘这一个学科，还在其他很多学科有应用，其中很多领域是数据挖掘涉及不到的地方，很简单的例子，医院的医学图象处理，交通部门的各种图象处理，很多工业上的应用以及航空航天和国防上的应用等等。你是否看懂我的这个意思了呢？至于你说分类用的多不多，你认为在这个研究分类算法的文章里讨论这个有意义么？

其次，分类的学习，我的看法就是掌握分类的基本算法原理比去琢磨或者死记一段代码要重要的多，这样不管你换成什么语言，都可以写出代码来，而且，一旦以后需要用到这个算法的时候，根本无须拘泥于是否是数据挖掘这个领域之内，只要能解决问题就ok。就这个观点来看这篇文章，价值很低。

我的话完了。

很好，我要说一声谢谢了，因为从你之前的几个回复我确实不能理解你在说什么，不过这个回复我理解你在说什么了。

有部分观点我比较认可，当然也有很多我不认可，不过都是概念上的，鉴于我们的讨论也不在算法讨论的范围之内，我tx，所以这样的讨论到此为止。

12 楼 mochow 2008-02-19  

按照你的逻辑，你应该先检查你自己是否看明白我的意思没有。

我的意思很简单：

首先，分类是一类算法的集合，它包含很多种不同的算法，光统计方法的算法常见的除了knn之外，还有贝叶斯，分类是数据挖掘一个很重要的算法，并不意味着它仅仅属于数据挖掘这一个学科，还在其他很多学科有应用，其中很多领域是数据挖掘涉及不到的地方，很简单的例子，医院的医学图象处理，交通部门的各种图象处理，很多工业上的应用以及航空航天和国防上的应用等等。你是否看懂我的这个意思了呢？至于你说分类用的多不多，你认为在这个研究分类算法的文章里讨论这个有意义么？

其次，分类的学习，我的看法就是掌握分类的基本算法原理比去琢磨或者死记一段代码要重要的多，这样不管你换成什么语言，都可以写出代码来，而且，一旦以后需要用到这个算法的时候，根本无须拘泥于是否是数据挖掘这个领域之内，只要能解决问题就ok。就这个观点来看这篇文章，价值很低。

我的话完了。

11 楼 ahuaxuan 2008-02-19  

mochow 写道

鉴于你说的那些话，我不想多花时间来讨论这个问题，因为一是说了让你长见识的话未必对我自己有好处，利人损己的事情我不做的，二是，你这种态度还真是不值得。

第一：任何一个人做事情即使做错了，第一反应是寻找自己是否是错了，然后开始为自己所做的设计或者其他辩护，如果说别人一提出毛病，自己就立刻认同，那么要么没有认真做，要么对自己没有自信，你我不外呼如此，当然我不是那种偏执的人，如果我错了我自然会承认，看我之前的帖子不就是这样吗？

第二：如果说我的态度不好，你觉得你的态度好吗？

第三：你能说让我长见识的话，我未必不能说让你长见识的话， 所以不要用据高临下的角度看人，即使你是高手。

10 楼 mochow 2008-02-19  

鉴于你说的那些话，我不想多花时间来讨论这个问题，因为一是说了让你长见识的话未必对我自己有好处，利人损己的事情我不做的，二是，你这种态度还真是不值得。

9 楼 ahuaxuan 2008-02-19  

mochow 写道

 

呵，有意见可以说出来，不用这样，这样只不过能说明你真的是一个女人，而不是马甲。

分类现在在任何资料中都归类到数据挖掘中了，不要用老观点看问题了

而且我不认为我们有必要为了争“分类应用是否多”这个问题而在这里相互贬低，当然至少我没有贬低你

8 楼 mochow 2008-02-19  

 

7 楼 ahuaxuan 2008-02-19  

mochow 写道

。我可以很负责的告诉你，你的回复真的很搞笑。你认为用分类用的很少那些领域，只是因为你无知而已撒，不可能因为你不知道它们就不存在。

哦，你好像没有仔细看我的帖子，我说的是占总应用的比例较少，而不是说它数量少，比如说中国有13亿人口，某一个民族只占百分之5，那么它的总数有6500w，这么说你能理解吧。

当然确实也有可能是我无知，因为我做的项目里，分类的技术占项目总数的很小比例，所以我认为它比例较小，如果说是这样，我不得不承认我的无知，因为我所取的样本太少，只是我自己，所以才作出了有误差的判断。

不过我也在想是不是我们理解的分类的概念不一致导致的，我理解的分类是数据挖掘中的分类，就如概念所讲，你说的分类是指什么，会不会指比如china-pub的图书进行手工分类也叫分类？

6 楼 mochow 2008-02-19  

早在数据挖掘这个东东出现之前，分类就已经很广泛的运用在很多领域了。

5 楼 mochow 2008-02-19  

。我可以很负责的告诉你，你的回复真的很搞笑。你认为用分类用的很少那些领域，只是因为你无知而已撒，不可能因为你不知道它们就不存在。

4 楼 ahuaxuan 2008-02-19  

mochow 写道

knn算法是很简单的分类算法了。至于分类，不仅仅是数据挖掘，在很多领域都有应用的。

这样光贴代码不整算法原理对于真正的学习原理用处不大。

据我所知，分类是数据挖掘的一种技术而已，很多领域都有应用就表明很多领域都有应用数据挖掘，而且虽然是很多应用都有应用，但是比例还是非常之少。

这里并没有什么特殊的算法原理，如果算有的话就是反余弦匹配。

再讲细一点：
在一个二维空间里，每个类别都有自己的项向量，而新的文章也有自己的项向量，每篇新文章都和类别进行匹配，夹角最小的那个即为该文章的类别。

不同的分类场景使用的不同的算法，这个我想你应该没有异议，本文的例子建立在文本分类上，所以在改进这个例子的时候第一个想到的就是kNN算法，虽然简单但是效果未必不好。这篇文章只不过是开场，下面的文章中我自然会介绍分类技术中常用的算法。

ps:文章有大段代码，但是有一半代码都是测试数据，而不是真正有用的代码。

原理嘛看这张图

3 楼 mochow 2008-02-19  

knn算法是很简单的分类算法了。至于分类，不仅仅是数据挖掘，在很多领域都有应用的。

这样光贴代码不整算法原理对于真正的学习原理用处不大。

2 楼 ahuaxuan 2008-02-19  

fyting 写道

建议看Lucene In Action,或者Google的数学之美系列-余弦定理和新闻的分类

你对数据挖掘可能还不是很了解，lucene in action我当然看过，看过多次，可是lucene in action并不是描述数据挖掘的书，里面只有几页纸的内容描写到分类，但是分类是一门很大的学问，涉及很多方法，很多算法，如果你对数据挖掘有兴趣建议你到圈子里看看我推荐的书

1 楼 fyting 2008-02-19  

建议看Lucene In Action,或者Google的数学之美系列-余弦定理和新闻的分类