1、文档分词

文本分类主要做的是如何提取文本中的主要信息。那么，如何衡量哪些信息是主要信息呢？

我们知道，一篇文档是由若干词汇组成的，也就是文档的主要信息是词汇。从这个角度来看，我们就可以用一些关键词来描述文档

这种处理文本的方式叫做词袋（Bag of Words）模型，该模型会忽略文本中的词汇出现的顺序以及相应的语法，将文档看做是由若干单词组成的，且单词之间相互独立，没有关联

要想提取文档中的关键词，就需要对文档进行分词。分词的方法一般是：基于统计和机器学习，需要人工标注词性和统计特征，训练分词模型

值得注意的是，分词后词汇中必定存在一些普遍使用的停用词（详见：传送门），这些停用词对文档分析作用不大，因此，在文档分析之前需要将这些词去掉

另外，分词阶段还需要处理同义词，很多时候一个事物有多个不同的名称，例如，番茄和西红柿等

中文分词与英文分词是不同的，它们需要不同的分词库进行处理：

• 中文分词：jieba
• 英文分词：NLTK

关于jieba中文分词库和NLTK英文分词库的介绍与使用详见文章：传送门

2、词汇权重（TF-IDF）

有了分词，那么，哪些关键词对文档才是重要的呢？

例如，可以通过词汇出现的次数，次数越多就表示越重要。更为合理的方法是计算词汇的TF-IDF值

TF-IDF（Term Frequency-Inverse Document Frequency，词频-逆文档频率）是一种统计方法，用来评估一个词汇对一篇文档的重要程度。词汇的重要性随着它在文档中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降

• TF（Term Frequency）：即词频，指某个特定的词汇在该文档中出现的次数
  $$\mathrm{T}{\mathrm{F}}_{\omega }=\frac{\mathrm{词汇}\omega \mathrm{出现的次数}}{\mathrm{文档中的总词汇数}}$$

• IDF（Inverse Document Frequency）：即逆向文档频率，指一个词汇在文档中的类别区分度。它认为一个词汇出现在文档的数量越少，这个词汇对该文档就越重要，就越能通过这个词汇把该文档和其他文档区分开
  $$\mathrm{ID}{\mathrm{F}}_{\omega }=\log \frac{\mathrm{语料库中的文档总数}}{\mathrm{包含词汇}\omega \mathrm{的文档数}+1}$$

IDF是一个相对权重值，$\log$的底数可以自定义。其中分母加1是为了避免分母为0（有些单词可能不在文档中出现）

某一特定文档内的高频词汇，以及该词汇在整个文档集合中的低频率文档，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词汇，保留重要的词汇
$$\mathrm{TF}-\mathrm{ID}{\mathrm{F}}_{\omega }=\mathrm{T}{\mathrm{F}}_{\omega }\times \mathrm{ID}{\mathrm{F}}_{\omega }$$

以下是一个示例：

假设一篇文章中共有2000个单词，“中国”出现100次。假设全网共有1亿篇文章，其中包含“中国”的有200万篇。求单词“中国”的TF-IDF值
$$\begin{array}{rl}& \mathrm{TF}(\mathrm{中国})=100/2000=0.05\\ & \mathrm{IDF}(\mathrm{中国})={\log }_{10}\frac{1\mathrm{亿}}{200\mathrm{万}+1}=1.70\\ & \mathrm{TF}-\mathrm{IDF}(\mathrm{中国})=0.05\times 1.70=0.085\end{array}$$

通过计算文档中词汇的TF-IDF值，我们就可以提取文档中的特征属性。即就是将TF-IDF值较高的词汇，作为文档的特征属性

Sklearn提供了计算TF-IDF值的API：TfidfVectorizer。具体使用详见下篇：传送门