THUCTC: 一个高效的中文文本分类工具

目录

• 项目介绍
• 使用方法
• 样例程序
• 中文文本分类数据集THUCNews
• 测试结果
• 注意事项
• 开源协议
• 相关论文
• 作者

项目介绍

THUCTC(THU Chinese Text Classification)是由清华大学自然语言处理实验室推出的中文文本分类工具包，能够自动高效地实现用户自定义的文本分类语料的训练、评测、分类功能。文本分类通常包括特征选取、特征降维、分类模型学习三个步骤。如何选取合适的文本特征并进行降维，是中文文本分类的挑战性问题。我组根据多年在中文文本分类的研究经验，在THUCTC中选取二字串bigram作为特征单元，特征降维方法为Chi-square，权重计算方法为tfidf，分类模型使用的是LibSVM或LibLinear。THUCTC对于开放领域的长文本具有良好的普适性，不依赖于任何中文分词工具的性能，具有准确率高、测试速度快的优点。

使用方法

我们提供了两种方式运行工具包：

1. 使用java开发工具，例如eclipse，将包括lib\THUCTC_java_v1.jar在内的lib文件夹下的包导入自己的工程中，仿照Demo.java程序调用函数即可。

2. 使用根目录下的THUCTC_java_v1_run.jar运行工具包。

   使用命令 java -jar THUCTC_java_v1.jar + 程序参数

运行参数

• [-c CATEGORY_LIST_FILE_PATH] 从文件中读入类别信息。该文件中每行包含且仅包含一个类别名称。
• [-train TRAIN_PATH] 进行训练，并设置训练语料文件夹路径。该文件夹下每个子文件夹的名称都对应一个类别名称，内含属于该类别的训练语料。若不设置，则不进行训练。
• [-test EVAL_PATH] 进行评测，并设置评测语料文件夹路径。该文件夹下每个子文件夹的名称都对应一个类别名称，内含属于该类别的评测语料。若不设置，则不进行评测。也可以使用-eval。
• [-classify FILE_PATH] 对一个文件进行分类。
• [-n topN] 设置返回候选分类数，按得分大小排序。默认为1，即只返回最可能的分类。
• [-svm libsvm or liblinear] 选择使用libsvm还是liblinear进行训练和测试，默认使用liblinear。
• [-l LOAD_MODEL_PATH] 设置读取模型路径。
• [-s SAVE_MODEL_PATH] 设置保存模型路径。
• [-f FEATURE_SIZE] 设置保留特征数目，默认为5000。
• [-d1 RATIO] 设置训练集占总文件数比例，默认为0.8。
• [-d2 RATIO] 设置测试集占总文件数比例，默认为0.2。
• [-e ENCODING] 设置训练及测试文件编码，默认为UTF-8。
• [-filter SUFFIX] 设置文件后缀过滤。例如设置“-filter .txt”，则训练和测试时仅考虑文件名后缀为.txt的文件。

样例程序

我们随工具包提供了一个调用THUCTC的样例代码Demo.java，其中实现了三种功能：

1. 对文本进行训练并测试(runTrainAndTest)；
2. 读取已经训练好的模型，对文件进行分类(runLoadModelAndUse)；
3. 按照自己的想法添加训练文件，训练模型(AddFilesManuallyAndTrain)；

BasicTextClassifier类接口说明

BasicTextClassifier 是系统的入口类,提供多种设置接口供使用者调用。利用此入口类可以从文件中读入别信息、设置训练语料路径、设置训练参数以及模型保存路径等。

其中常用的类成员函数包括：

• public void Init(String[] args)

  功能：输入运行参数，初始化系统。

• public void runAsBigramChineseTextClassifier()

  功能：根据参数，运行系统。

• public boolean loadCategoryListFromFile(String filePath)

  功能：从文件中获取分类列表，等同于参数-c filePath

• public boolean loadCategoryListFromFolder(String folder)

  功能：从文件夹中获取分类列表

• public void addTrainingText(String category, String filename)

  功能：给定类别，添加训练文本

• public void addfiles(String filename)

  功能：根据训练文件所在的文件夹名称,自动判别类别并加入训练，等同于参数-train filename

• public ClassifyResult[] classifyFile(String filepath, int topN)

  功能：对一个文件进行分类，返回前 topN 个分类结果。如果输入的 filepath 是文件夹,则只会在 Console 中打印每个子文件的分类结果，返回值是空数组，等同于参数-classify filepath -n topN

• public ClassifyResult[] classifyText(String text, int topN)

  功能：对一个文本进行分类,返回前 topN 个分类结果

• public void testfiles(String filename)

  功能：对文件进行自动分类测试，等同于参数-test filename

• public double getPrecision()

  功能：获得测试准确率

中文文本分类数据集THUCNews

THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。我们在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。使用THUCTC工具包在此数据集上进行评测，准确率可以达到88.6%。

数据集请登录thuctc.thunlp.org网站填写个人信息进行下载。

测试结果

文本分类的性能评价有多种指标，其中主流的文本分类评价指标包括准确率、召回率、F-measure、微平均与宏平均等。其中，微平均指所有样本的测试结果的算数平均值，宏平均指所有类别的测试结果的算数平均值。我们的测试也主要对这些指标进行测试。 我们选取上节介绍的数据集进行测试，测试时使用以下参数组合(-d1 -d2),(-f):

• -d1 0.7 -d2 0.3 -f 5000 微平均为最优

  类别	正确率	召回率	F-measure
  体育	0.979	0.990	0.985
  娱乐	0.946	0.958	0.952
  家具	0.864	0.832	0.848
  彩票	0.813	0.757	0.779
  房产	0.973	0.972	0.973
  教育	0.911	0.879	0.895
  时尚	0.746	0.874	0.805
  时政	0.780	0.901	0.836
  星座	0.816	0.516	0.632
  游戏	0.922	0.594	0.707
  社会	0.836	0.820	0.828
  科技	0.850	0.921	0.884
  股票	0.895	0.833	0.863
  财经	0.772	0.685	0.726
  宏平均	0.861	0.823	0.842
  微平均	0.884

• -d1 0.8 -d2 0.2 -f 20000 宏平均为最优

  类别	正确率	召回率	F-measure
  体育	0.979	0.986	0.983
  娱乐	0.936	0.966	0.951
  家具	0.871	0.883	0.877
  彩票	0.967	0.862	0.911
  房产	0.957	0.953	0.955
  教育	0.887	0.850	0.868
  时尚	0.868	0.881	0.875
  时政	0.764	0.868	0.813
  星座	0.974	0.618	0.756
  游戏	0.922	0.536	0.678
  社会	0.796	0.802	0.799
  科技	0.845	0.882	0.863
  股票	0.858	0.854	0.856
  财经	0.779	0.656	0.713
  宏平均	0.886	0.829	0.856
  微平均	0.875

注意事项

1. 使用工具进行训练和测试时，训练语料和测试语料请严格按照如下格式放置：

   Train(Test)\
   	类别1\
   		1.txt
   		2.txt
   		3.txt
   		...
   		n.txt
   	类别2\
   		...
   	...
   	类别n\
   		...
   

2. 该工具是通用的中文文本分类工具包，在针对中文文本进行分类时，选取二字串bigram作为特征单元是经过全面的实验分析和比较的。但在针对英文文本进行分类时，我们不保证选取二字串bigram作为特征单元的效果是最优的。

3. 在进行训练模型时，请注意根据自己的语料大小设置相应的使用内存上限。例如语料大小为2GB的时候，至少设置使用内存大小为4GB（-Xmx4096m）。如若程序执行缓慢，请调大使用内存上限。

4. 由于window系统上java使用内存的限制(大约在1GB)，请避免在window系统上使用较大的语料进行训练。

开源协议

1. THUCTC面向国内外大学、研究所、企业以及个人研究者免费开放源。

2. 如有机构或个人拟将THUCTC用于商业目的，请发邮件至thunlp@gmail.com洽谈技术许可协议。

3. 欢迎对该工具包的任何宝贵意见和建议，请发邮件至thunlp@gmail.com。

4. 如果您在THUCTC基础上发表论文或取得科研成果，请您在发表论文和申报成果时声明“使用了清华大学THUCTC”，并按如下格式引用：

   • 中文：郭志芃,赵宇,郑亚斌,司宪策,刘知远,孙茂松. THUCTC：一个高效的中文文本分类工具包. 2016.

   • 英文: Zhipeng Guo, Yu Zhao, Yabin Zheng, Xiance Si, Zhiyuan Liu, Maosong Sun. THUCTC: An Efficient Chinese Text Classifier. 2016.

5. 本工具包采用LibSVM和Liblinear实现分类算法，特此致谢。该模块遵守LibSVM/Liblinear工具包指定的协议。

相关论文

• Jingyang Li, Maosong Sun. Scalable Term Selection for Text Categorization. Proc. of the 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLP-CoNLL), Prague, Czech Republic, 2007, pp. 774-782.

• Jingyang Li, Maosong Sun, Xian Zhang. A Comparison and Semi-Quantitative Analysis of Words and Character-Bigrams as Features in Chinese Text Categorization. Proc. of the 2006 Joint Conference of the International Committee on Computational Linguistics and the Association for Computational Linguistics (COLING-ACL 2006), Sydney, Australia, 2006, pp. 545-552.

作者

指导教师：Maosong Sun（孙茂松教授）

贡献者：Zhipeng Guo（郭志芃），Yu Zhao（赵宇），Yabin Zheng（郑亚斌），Xiance Si（司宪策），Zhiyuan Liu（刘知远）.

使用者如有任何问题、建议和意见，欢迎发邮件至 thunlp@gmail.com 。