自动文档分类是一个很好的例子，说明如何善用机器学习和自然语言处理，让机器更好地处理人类语言。自动分类目的，是给一个文档或一段文字指派一个或多个类别，以方便对文档进行归类和管理。特别是对于出版社、新闻网站、博客或其他需要处理大量文字内容的人和机构来说，人工对文档，并进行分组和分类是极其耗费人力和时间的工作。
大体上讲，有两类机器学习方式：监督学习和非监督学习。监督学习方法是在“以往的观察”之上建立模型，这种“以往的观察”被称为训练集。在做文档分类时，预先定义好文档类别，再人工为训练数据集中每个文档打上类别标记。建立了训练数据集之后，接着是用这个人工标记的数据集训练一个分类器。其思想是：在训练完成后，这个分类器将能够预测任何一个给定文档的类别。
非监督机器学习方式有所不同，它们不需要训练数据集。以文档分类来说，类别是事先未知的。非监督学习方式（如聚合和话题建模），可以在一批文档中自动发现相似文档并进行分组。本文将聚焦监督分类方式的机器学习。
分类器的工作是生成“预测”。简明地说，当分类器对一个新文档进行分类时，它预先判定这个文档属于某个特定类别；并且，分类器通常为这个文档指定一个类别“标签”。分类器或许还会根据使用的分类算法或策略给出一个可信度，表明分类标签正确性有多高。用一个简单例子就可以很好地解释分类器是如何工作的。
如前所述，分类器用于预测，以预测足球比赛是否会正常进行作为一个简单的例子，就能说明分类器如何工作。首先，我们要建立一个数据集。为此，我们需要记录室外温度并统计过去一年中给定比赛夜是否降雨，用这些记录建立一个天气情况数据集。然后，我们会根据比赛是否正常进行来“标记”这个数据集，并创建一个训练数据集用于此后的预测。
在这种情况下，我们有温度和降雨两个“特征”来帮助我们预测比赛是否会举行。如下表所示，任何比赛夜，我们可以参考表格数据来预测比赛是否会如期进行。在这个简单的例子中，如果温度低于零度且正在下雨，那么比赛很有可能会取消。
在上表中，每一列称为一个“特征”，“比赛”那一列被称为“类别”或“标签”，其下面的行都被被称为“实例”。这些实例可被理解为数据点，而数据点可视为一个向量，形如<特征1，特征2，…，特征N>。
以此类推，将这种预测方法应用于文档的分类，其中的单词将被视为“特征”来预测该文档的类别。还是使用一个简单例子来说明。假设，我们的训练集中有如下三个非常简短的文档：
首先，我们要抽取训练集三个文档中的所有单词，并且据此建立一个表格（或向量）：
类别：,tigers,live,in,the,zoo,green,is,a,color,go,to,new,york,city>
然后，我们会对每一个训练文档建立一个向量，如果这个单词存在于该训练文档，则取值为1，若不存在则取值为0，并给该文档一个适当的标记，如下所示。
当对未标记过的新文档“Orange is a color”进行分类时，我们会根据已有的类别向量对新文本的单词做标记，并为该文档生成一个单词向量：
如果，接下来将未分类文档中的向量之前三个文档类别中的向量作比较，我们会看到未知文档与类别2中文档的相似度最高。
未知类别文档类别与类别1的比较（6个匹配项）
< 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0 >类别1
< 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0>未知类别
未知类别文档类别与类别2的比较（14个匹配项，最相似！！）
< 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0>类别2
< 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0>未知类别
未知类别文档类别与类别3的比较（7个匹配项）
< 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1 >类别3
< 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0>未知类别
因此，机器很有可能将新文档标记为类别2并配以高可信度。在统计自然语言处理的方法中。这是一个非常简单常见的例子。
现实中的分类器由三个部分组成，接下来我们会逐一进行介绍，并对分类器的工作原理稍作解释。
1. 数据集
如前所示，统计分类方法需要人工先对一批文档标记上恰当的类别。在很大程度上，数据集的质量是一个统计自然语言处理分类器最重要的部分。
数据集需要足够大，能够为每一类别提供数量充足的文档。举例来说，你希望在文档的归类过程中有500种可能涉及到的类别，假设每个类别有100个文档，那么总共则至少需要5万个文档。
文档自动分类对数据集的质量也有很高的要求，高质量的数据集才能明显区分出不同类别文档的相互差异，清晰的划分出不同类别。
2. 预处理
在之前简单的例子中，当创建文档向量时，我们赋予每一个词同等的重要性。我们可以做某种预处理，并根据单词对于待分类分档的重要性，来赋予它们不同的权重。其中一种常用的方法是TF-IDF（term frequency-inverse document frequency, 词频-逆向文档频率）。某一个单词的TF-IDF权重，会随着这个词在一篇文档中出现的次数而增加，也会根据它在整个文档集合中出现的频率而降低。对于经常出现在整个文档集合中的词（如“a”，“it”等）来说，这样做会有效降低这类单词的综合权重。［译者注：如果某个词在一篇文章中出现的频率（TF）高，但在其它文章中的TF低，则该词就具有很好的类别区分能力，适合用来分类。］
3.分类算法及策略
在上面的例子中，我们用来分类分档的算法非常简单：通过比较文档向量中匹配项的数量，来看它与哪一个类别最为相似，并以此对文档进行分类。现实情况中，我们或许会把文档分在两个甚至两个以上的类别中，并且会在给定的类别中为一篇文档赋予多个标签。我们的分类系统还可能是多层次的结构，并因此分类器也需要在分类过程中考虑到多层次结构的因素。
举例来说，使用IPTC（International Press and Telecommunications Council，国际新闻电讯评议会）的国际主题新闻编码来设定标签，我们会给一个文档同时贴两个标签，如“体育事件－世界杯”或“体育－足球”。其中，“体育”和“体育事件”是根类别，而“足球”和“世界杯”是子类别。
有大量的用于分类的算法，如支持向量机、朴素贝叶斯、决策树等，它们的所能达到的细节早已超出了本文的范围。
希望你现在对文本分类的基本原理及其工作流程，有更透彻的理解。作为总结，在监督学习中，模型的建立是基于一个训练集。此后，分类器在这个手工标记过的训练数据集上进行训练，并希望可以预测任何给定文档的类别。影响预测质量最大的因素就是训练数据集的质量。
原文发布时间为：2015-06-08
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
