HanLP 基于SVM支持向量机 训练 文本分类

Posted 2023-01-12 小毕超

一、HanLP 基于SVM支持向量机分类器

上篇文章通过朴素贝叶斯文本分类器，训练测试了 搜狗文本分类语料库迷你版 ，本篇继续测试SVM支持向量机分类器。

由于HanLP 官方给出的 SVM 分类器依赖了第三方库，没有集成在主项目中，需要拉取 text-classification-svm 项目：

git clone https://github.com/hankcs/text-classification-svm.git

拉取项目后，发现 pom 依赖的 hanlp 版本是 portable-1.5.2，前面我们用的都是portable-1.8.3，这里就保持保本一致，将 pom 中 hannlp 的版本升级为 portable-1.8.3：

升级后会有两点不兼容，需要修改 LinearSVMClassifier 类：

然后将该项目打包到本地 Maven 中方便其他项目使用：

mvn clean install -DskipTests

下面在自己的 Maven 项目中添加依赖：

<!-- svm 分类器扩展包-->
<dependency>
   <groupId>com.hankcs.nlp</groupId>
   <artifactId>text-classification</artifactId>
   <version>1.0.1</version>
</dependency>
<!-- svm 依赖 liblinear-->
<dependency>
   <groupId>de.bwaldvogel</groupId>
   <artifactId>liblinear</artifactId>
   <version>1.95</version>
</dependency>

有关于 HanLP 环境的搭建，可以参考下面这篇文章：

https://xiaobichao.blog.csdn.net/article/details/128271909

SVM 文本分类器，利用liblinear实现HanLP中的文本分类接口，因此对预料库的要求还是 将数据集根据分类放到不同的目录中：

下面还是使用 搜狗文本分类语料库迷你版 进行测试。

准备语料库

下载数据集：

http://file.hankcs.com/corpus/sogou-text-classification-corpus-mini.zip

下载加压后数据格式：

文本样例：

训练数据

public class ClassifyTrain 

    public static void main(String[] args) throws IOException 
        //语料库的地址
        String dataPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/搜狗文本分类语料库迷你版";
        //模型保存路径
        String modelPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/svm-classification-model.ser";
        //训练数据
        trainData(dataPath, modelPath);
    

    private static void trainData(String dataPath, String modelPath) throws IOException 
        File corpusFolder = new File(dataPath);
        if (!corpusFolder.exists() || !corpusFolder.isDirectory())  
            System.err.println("没有文本分类语料");
            return;
        
        // FileDataSet省内存，可加载大规模数据集，支持不同的ITokenizer，详见源码中的文档
        // 使用前90% 的数据作为训练集
        IDataSet trainingCorpus = new FileDataSet()
                .setTokenizer(new HanLPTokenizer())
                .load(dataPath, "UTF-8", 0.9);
        // 创建SVM分类器
        IClassifier classifier = new LinearSVMClassifier();
        // 训练数据
        classifier.train(trainingCorpus);
        // 获取训练模型
        AbstractModel model = classifier.getModel();
        // 使用后10% 的数据作为测试集
        IDataSet testingCorpus = new MemoryDataSet(model)
                .load(dataPath, "UTF-8", -0.1);
        // 计算准确率
        FMeasure result = Evaluator.evaluate(classifier, testingCorpus);
        System.out.println("测试集准确度：");
        System.out.println(result);
        // 保存模型
        IOUtil.saveObjectTo(model, modelPath);
    

查看训练日志：

查看训练模型：

测试模型

public class TestClassify 

    public static void main(String[] args) 
        String modelPath = "F:/bigdata/hanlp/sogou-text-classification-corpus-mini/svm-classification-model.ser";
        testModel(modelPath);
    

    private static void testModel(String modelPath)
        LinearSVMModel model = (LinearSVMModel) IOUtil.readObjectFrom(modelPath);
        IClassifier classifier = new LinearSVMClassifier(model);
        // 测试分类
        String text1 = "研究生考录模式亟待进一步专业化";
        System.out.printf("《%s》 属于分类 【%s】\\n", text1, classifier.classify(text1));

        String text2 = "C罗获2018环球足球奖最佳球员 德尚荣膺最佳教练";
        System.out.printf("《%s》 属于分类 【%s】\\n", text2, classifier.classify(text2));

        String text3 = "英国造航母耗时8年仍未服役 被中国速度远远甩在身后";
        System.out.printf("《%s》 属于分类 【%s】\\n", text3, classifier.classify(text3));

        String text4 = "如果真想用食物解压,建议可以食用燕麦";
        System.out.printf("《%s》 属于分类 【%s】\\n", text4, classifier.classify(text4));

    

测试结果：