用于聚类（和分类）短句的 NLP bag-of-words/TF-IDF答案

【问题标题】：NLP bag-of-words/TF-IDF for clustering (and classifying) short sentences用于聚类（和分类）短句的 NLP bag-of-words/TF-IDF
【发布时间】：2017-07-03 20:36:03
【问题描述】：

我想通过其中一个字符串键值 (description) 对 Javascript 对象进行聚类。我已经尝试了多种解决方案，希望获得一些有关如何解决问题的指导。

我想要什么：假设我有一个对象数据库。它们可能有很多（可能有数千个，也可能有数万个）。我需要能够：

按逻辑（有点）组中的相似性对对象进行聚类。语义匹配会很棒，但现在只需要字符串相似性就足够了。将它们聚类后，我需要为它们中的每一个分配一些 categoryId（代表它们所属的集群）。
每当将新对象添加到数据库时，我都需要将它们分类到现有组/提出新集群。

我还没有尝试解决问题 #2，但这是我尝试解决的问题 #1。

具有 Levenshtein 距离（单链接）的层次聚类 - 这里的问题是性能，结果令人满意（我使用了来自 npm 的 hierarchical-clustering 库）但在 150 左右我将不得不等待大约一分钟。不会为数千人工作。
TF-IDF，矢量化 + k-means - 性能非常好。它将轻松通过 5000 个对象。但是结果肯定是错误的（可能是我的实现中的一个错误）。我使用（npm 中的natural 库来计算 TF-IDF 和 node-kmeans）。
Bag-of-Words + k-means - 我现在正在尝试实现这个，还没有任何运气。

对于#2，我想使用朴素贝叶斯（但我还没有尝试过）。

有什么建议吗？如果对象只是聚集在一起就好了。如果我能提取出集群所依据的标签（比如从 TF-IDF 中），那就更好了。

【问题讨论】：

一年九个月，没有答案。我很好奇你是否解决了这个问题？因为我有类似的问题。谢谢，N
您能否添加一些带有键值对的这些 java 对象的示例？这听起来很可行，但举个例子就好了。

标签： algorithm nlp k-means hierarchical-clustering tensorflow.js

【解决方案1】：

使用 tensorflow，可以创建一个深度学习模型，该模型一旦经过训练就可以用于预测输入单词的类别。

假设这是数据集：

let data = [{description: 'just something', label: '1'}, {description: 'something else', label: '2'}]

在文本分类中首先要做的就是将文本编码为张量。可以使用许多算法，前提是它们在给定感兴趣的领域时能带来良好的准确性。特别是，universal-sentence encoder 会将每个句子转换为大小为 512 的一维张量。

const useModel = await use.load()
let features = data.map(d => useModel.embed(d.description))
features = tf.stack(features) // create a 2d tensor from the array of 1d tensor
let labels = tf.oneHot([0, 1], 2) // encode it as oneHot
// more details on labels encoding in this answer 
// https://stackoverflow.com/questions/59127861/how-may-i-define-my-own-labels-in-tensorflow-js/59128300#59128300

第二件事是为分类创建一个模型。虽然可以使用 FCNN，但对于 NLP 处理，主要使用 LSTM 或双向 LSTM，因为在将输出转发到其他层时，单元格会考虑数据的上下文。这是此类模型的示例

const model = tf.sequential({
    layers: [
        tf.layers.lstm({ inputShape: [1, 512], units: 16, activation: "relu", returnSequences: true }),
        tf.layers.lstm({ units: 16, activation: "relu", returnSequences: true }),
        tf.layers.lstm({ units: 16, activation: "relu", returnSequences: false }),
        tf.layers.dense({ units: numberOfCategories, activation: "softmax" }),
    ]
}) // in this example of the numberOfCategories is 2

[n, 512] 的 inputShape 用于指示模型将一次输入n 句子。如果句子数量可变，则 inputShape 将为[null, 512]。

模型将被训练

model.compile({
    optimizer: "adam",
    loss: "categoricalCrossentropy",
    metrics: ["accuracy"]
})
model.fit(features, labels, {
    epochs: number,// as needed to have a good accuracy
    callbacks: {
        onBatchEnd(batch, logs) {
            console.log(logs.acc)
        }
    }
})

模型训练完成后，对于每个传入的单词，都会有一个预测。但传入的单词需要首先转换为上述张量 a。

let prediction = model.predict( await useModel.embed('newWord').reshape([1, 1, -1])).argMax([-1])
prediction.print() // will print the index of the label

如果训练数据还没有被标记（意味着对象没有标签属性），数据应该被聚类。 tensorflow.js 中还没有聚类算法。对于文本聚类，我们首先需要创建标记。 use 包有分词器；还有包natural。标记化后，node-kmeans 可用于标记数据集。从这一步开始，可以使用第一种方法。

另一种方法可能是使用标记化的句子来训练模型。但是由于所有句子的形状都不相同，因此需要使用tf.pad添加填充

【讨论】：