如何改进我的文本主题分类器？

Question

我正在开发一个可以标记句子或小问题的文本主题分类器。 到目前为止，它可以标记大约 30 个已知主题。

效果很好，但它开始混淆相似的问题。

例如这3个标签：

1) 标签 - backup_proxy_intranet： 如何为内网应用程序设置备份代理？ ...以及 140 个包含“Intranet 应用程序的备份代理”的类似问题...

2) 标签 - smartman_intranet： 如何在我的智能手机中使用 Intranet 应用程序？和 ...以及 140 个包含“我的智能手机中的 Intranet 应用程序”的类似问题...

3) 标签-ticket_intranet：如何将ticket order 与intranet app 关联起来？ ...以及 140 个包含“使用 Intranet 应用程序订购机票”的类似问题...

训练后这 3 个总是返回标签 backup_proxy_intranet。 我该怎么做才能将它们分开？

series = series.dropna()
series = shuffle(series)

X_stemmed = []
for x_t in series['phrase']:
    stemmed_text = [stemmer.stem(i) for i in word_tokenize(x_t)]
    X_stemmed.append(' '.join(stemmed_text))

x_normalized = []
for x_t in X_stemmed:
    temp_corpus=x_t.split(' ')
    corpus=[token for token in temp_corpus if token not in stops]
    x_normalized.append(' '.join(corpus))

X_train,X_test,y_train,y_test = train_test_split(x_normalized,series['target'],random_state=0,test_size=0.20)

vect = CountVectorizer(ngram_range=(1,3)).fit(X_train)
X_train_vectorized = vect.transform(X_train)

sampler = SMOTE()
model = make_pipeline(sampler, LogisticRegression())
print()
print("-->Model: ")
print(model)
print()
print("-->Training... ")
model.fit(X_train_vectorized,y_train)

filename = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.model'
pickle.dump(model,open(filename, 'wb'))
filename2 = '/var/www/html/python/intraope_bot/lib/textTopicClassifier.vector'
pickle.dump(vect,open(filename2, 'wb'))

最好的问候！

Answer 1

我认为您可能想使用 sklearn 的 TfidfVectorizer：它应该可以帮助您提高分数！

>>> from sklearn.feature_extraction.text import TfidfVectorizer
>>> corpus = [
...     "Label - backup_proxy_intranet: How to set up a backup proxy for intranet app? ... and 140 similar questions containing 'backup proxy for intranet app'"
...     Label - smartphone_intranet: How to use intranet app in my smartphone? and ... and 140 similar questions containing 'intranet app in my smartphone'...
... ]
>>> vectorizer = TfidfVectorizer()
>>> X = vectorizer.fit_transform(corpus)
>>> print(vectorizer.get_feature_names())

Answer 2

我也从 scikit learn 中使用多项式朴素贝叶斯得到了最好的结果