显示 k 个最近邻用于文本分类

Posted

技术标签:

【中文标题】显示 k 个最近邻用于文本分类【英文标题】:Show k nearest neighbors for text classification 【发布时间】:2020-05-14 08:54:04 【问题描述】:

我在语料库中有一个 CSV 文件 (corpus.csv),其中包含以下格式的分级摘要(文本):

Institute,    Score,    Abstract


----------------------------------------------------------------------


UoM,    3.0,    Hello, this is abstract one

UoM,    3.2,    Hello, this is abstract two and yet counting.

UoE,    3.1,    Hello, yet another abstract but this is a unique one.

UoE,    2.2,    Hello, please no more abstract.

我正在尝试在 python 中创建一个 KNN 分类程序,该程序能够获取用户输入摘要,例如“这是一个新的独特摘要”,然后将此用户输入摘要分类为最接近语料库 (CSV) 和还返回预测摘要的分数/等级。我有以下代码:

from sklearn.feature_extraction.text import TfidfVectorizer
from nltk.corpus import stopwords
import numpy as np
import pandas as pd
from csv import reader,writer
import operator as op
import string
from sklearn import neighbors

#Read data from corpus
r = reader(open('corpus.csv','r'))
abstract_list = []
score_list = []
institute_list = []
row_count = 0
for row in list(r)[1:]:
    institute,score,abstract = row[0], row[1], row[2]
    if len(abstract.split()) > 0:
      institute_list.append(institute)
      score = float(score)
      score_list.append(score)
      abstract = abstract.translate(string.punctuation).lower()
      abstract_list.append(abstract)
      row_count = row_count + 1

print("Total processed data: ", row_count)

#Vectorize (TF-IDF, ngrams 1-4, no stop words) using sklearn -->
vectorizer = TfidfVectorizer(analyzer='word', ngram_range=(1,4),
                     min_df = 0, stop_words = 'english', sublinear_tf=True)
response = vectorizer.fit_transform(abstract_list)
classes = score_list
feature_names = vectorizer.get_feature_names()

clf = neighbors.KNeighborsRegressor(n_neighbors=1)
clf.fit(response, classes)
predicted = clf.predict(response)

目前,如果我使用上述代码,则“predicted”会给出输出,例如 [3.2]。但是,我也希望输出为 [3.2, UoM, "Hello, this is abstract 2 and yet counted."]

我想显示k个最近的邻居(不仅是分数,还有对应的机构名称和摘要)。我怎样才能做到这一点?

【问题讨论】:

【参考方案1】:

拟合模型后,您需要run the model against a point:

>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=1)
>>> neigh.fit(samples)
NearestNeighbors(n_neighbors=1)
>>> print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))

这将返回两个数组,其中第一个是距离列表,第二个是最近邻居的索引列表。为了以您想要的格式打印,您需要根据第二个列表的索引来查找摘要。

【讨论】:

感谢您的回答。您能否告诉我如何将 .kneighbors() 用于我的用例?

以上是关于显示 k 个最近邻用于文本分类的主要内容,如果未能解决你的问题,请参考以下文章

K近邻分类法

KNN 分类器算法不适用于所有情况

情感识别基于K近邻分类算法的语音情感识别matlab 源码

ACL 2022用于多标签文本分类的对比学习增强最近邻机制

ACL 2022用于多标签文本分类的对比学习增强最近邻机制

ACL 2022用于多标签文本分类的对比学习增强最近邻机制