如何为 4 个类别的文本分类创建训练数据

Posted 2023-03-13

【中文标题】如何为 4 个类别的文本分类创建训练数据

【英文标题】：How to create Training data for Text classification on 4 categories

【发布时间】：2017-01-19 13:33:36

【问题描述】：

我的机器学习目标是从项目需求文档中寻找潜在的风险（将花费更多的钱）和机会（将节省金钱）。

我的想法是将数据中的句子分为以下类别之一：风险、机会和不相关（无风险、无机会、默认类别）。

我将使用带有 tf-dif 的多项式贝叶斯分类器。

现在我需要为我的训练集和测试集准备数据。我将这样做的方法是将需求文档中的每个句子标记为 3 个类别中的 1 个。这是一个好方法吗？

或者我应该只标记明显是风险/机会/不相关的句子？

另外，不相关类别是个好主意吗？

【参考方案1】：

我相信三类方法是一种很好的方法。这类似于情绪分析，您通常有正面、负面和中性的文档（或句子）。中性包含绝大多数实例，因此您的分类问题将是不平衡的。这不一定是一个问题，但对于像这样的难题，朴素贝叶斯分类器可能会简单地对中性/不相关桶中的所有内容进行分类，因为中性的先验将非常高。

您的抽样（标签）应该代表现实。不要试图创建一个包含 1000 个风险、1000 个机会、1000 个不相关的数据集。取而代之的是，从 10000 个需求中抽取样本，并为每个需求分配适当的标签，即使这意味着“不相关”比“风险”要多得多。 文本分类模型需要很多实例，因为搜索空间很大。我想知道您是否考虑过这样一个事实：要获得可靠的结果（比如超过 90%），您可能需要手动标记数千个实例。 即使您有数千个训练实例，您的问题看起来也特别困难，除非有一些明显的关键字来触发我不理解的“风险”或“机会”。问问自己：这对人类来说容易判断吗？如果你让 3 位评委对你的要求进行分类，他们会给出相同的答案吗？如果没有，那么您可能需要成千上万的训练文档，并且分类准确度可能仍然令人失望。

【讨论】：

非常感谢，这对我有帮助。我确实意识到我将不得不浏览许多文件并标记每个句子。最初我以为每个类别都需要相同数量的训练样本，但正如你所说，情况并非如此。然后我将简单地浏览每个文档并用 3 个类别中的 1 个标记每个句子，我最终会得到更多不相关的样本。大约 70% 的准确率也不错。你认为这可能在标记大约 5000 个句子的情况下实现吗？

我的感觉是，我会发现以一致的方式从需求中识别风险和机会具有挑战性，更不用说文本分类器了。也就是说，也许你的情况与我的经验不同，也许你的情况中的机会和风险只是一组带有相关关键字的技术（例如：机器学习、NLP = 机会、SOC 2 合规性 = 风险）。同样，要从 5000 个示例中学习，任务需要对人类来说非常容易

谢谢。这项任务对人类来说并不是很简单，但是在风险句中经常出现诸如“负责任”之类的关键字。我如何告诉程序如果出现这样的词，则更有可能出现特定的标签？

我会先尝试不添加手动创建的规则。机器学习的一个好处是您不必维护难以维护、组合等的手动规则集。但是如果您真的需要，您可以将分类器的结果类概率乘以您的手动创造的概率。