<span id="mktg5"></span>

<i id="mktg5"><meter id="mktg5"></meter></i>

        <label id="mktg5"><meter id="mktg5"></meter></label>
        最新文章專題視頻專題問答1問答10問答100問答1000問答2000關(guān)鍵字專題1關(guān)鍵字專題50關(guān)鍵字專題500關(guān)鍵字專題1500TAG最新視頻文章推薦1 推薦3 推薦5 推薦7 推薦9 推薦11 推薦13 推薦15 推薦17 推薦19 推薦21 推薦23 推薦25 推薦27 推薦29 推薦31 推薦33 推薦35 推薦37視頻文章20視頻文章30視頻文章40視頻文章50視頻文章60 視頻文章70視頻文章80視頻文章90視頻文章100視頻文章120視頻文章140 視頻2關(guān)鍵字專題關(guān)鍵字專題tag2tag3文章專題文章專題2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章專題3
        問答文章1 問答文章501 問答文章1001 問答文章1501 問答文章2001 問答文章2501 問答文章3001 問答文章3501 問答文章4001 問答文章4501 問答文章5001 問答文章5501 問答文章6001 問答文章6501 問答文章7001 問答文章7501 問答文章8001 問答文章8501 問答文章9001 問答文章9501
        當(dāng)前位置: 首頁 - 科技 - 知識百科 - 正文

        利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析

        來源:懂視網(wǎng) 責(zé)編:小采 時間:2020-11-27 14:17:22
        文檔

        利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析

        利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析:簡介幾乎所有人都會購物。從基本的必需品(比如食品)到娛樂產(chǎn)品(比如音樂專輯),我們會購買各種各樣的物品。當(dāng)購物時,我們不僅會尋找在生活中用到的東西,也會在表達(dá)我們對某些社會群體的興趣。我們的在線行為和決策塑造了我們自己的行為特征。當(dāng)購買產(chǎn)品
        推薦度:
        導(dǎo)讀利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析:簡介幾乎所有人都會購物。從基本的必需品(比如食品)到娛樂產(chǎn)品(比如音樂專輯),我們會購買各種各樣的物品。當(dāng)購物時,我們不僅會尋找在生活中用到的東西,也會在表達(dá)我們對某些社會群體的興趣。我們的在線行為和決策塑造了我們自己的行為特征。當(dāng)購買產(chǎn)品

        簡介

        幾乎所有人都會購物。從基本的必需品(比如食品)到娛樂產(chǎn)品(比如音樂專輯),我們會購買各種各樣的物品。當(dāng)購物時,我們不僅會尋找在生活中用到的東西,也會在表達(dá)我們對某些社會群體的興趣。我們的在線行為和決策塑造了我們自己的行為特征。

        當(dāng)購買產(chǎn)品時,該產(chǎn)品具有多個屬性,這使得它類似或不同于其他產(chǎn)品。例如,一個產(chǎn)品的價(jià)格、大小或類型都是它的不同特征。除了這些數(shù)值或枚舉類的結(jié)構(gòu)化屬性之外,還有非結(jié)構(gòu)化的文本屬性。例如,產(chǎn)品描述或客戶評論的文本也構(gòu)成了其明顯的特征。

        fig01.png

        對于從這些非結(jié)構(gòu)化文本屬性中提取有意義的東西而言,文本分析和其他自然語言處理(NLP)技術(shù)非常有幫助,而這對行為分析等任務(wù)又很有價(jià)值。

        本文將介紹如何使用文本分類來構(gòu)建行為描述模型。文中將展示如何使用 SciKit 這個強(qiáng)大的基于 Python 的機(jī)器學(xué)習(xí)包來實(shí)現(xiàn)模型構(gòu)造和評估,還會對模擬的客戶及其產(chǎn)品購買歷史記錄應(yīng)用該模型。在這種特定的場景中,將會構(gòu)造一個模型,向客戶分配一些音樂聽眾感興趣的特色內(nèi)容,比如狂歡、哥特或金屬音樂。該分配是以每個客戶的購買的具體產(chǎn)品和相應(yīng)的文本產(chǎn)品說明為基礎(chǔ)的。


        音樂行為描述場景

        請看下面的場景。您有一個包含許多客戶個人資料的數(shù)據(jù)集。每個客戶個人資料都包括客戶已經(jīng)購買的所有產(chǎn)品的一個簡潔的、基于自然語言的描述列表。下面是一款靴子的示例產(chǎn)品描述。

        描述:這一款男裝搭扣靴子是一雙哥特式靴子,具有暗波紋亞文化氣息,靴子的鉚釘頭帶來了業(yè)內(nèi)的最新時尚。這款靴子采用了合成的人造皮革鞋面,鞋帶正面使用的是交叉扣,這種交叉一直延續(xù)到了鞋統(tǒng),鞋底是橡膠大底,底部采用了花紋底,而前幫則采用了戰(zhàn)斗風(fēng)格,內(nèi)側(cè)配有拉鏈,方便穿鞋和脫鞋。鞋統(tǒng) 13.5 英寸,腿部開口周長約 16 英寸。(鞋碼為 9.5。)風(fēng)格:男裝搭扣靴子。

        我們的目標(biāo)是根據(jù)這些產(chǎn)品描述,將每位當(dāng)前用戶和未來用戶分類到某個行為配置文件中。

        如下所示,負(fù)責(zé)人使用產(chǎn)品示例來建立行為特征、行為模型、客戶特征,以及最終的客戶行為特征。

        圖 1. 構(gòu)建客戶行為特征的高層次方法

        第一步是假設(shè)負(fù)責(zé)人的作用,并向系統(tǒng)提供對每個行為特征的理解。實(shí)現(xiàn)此操作的一種方法是手動將每個產(chǎn)品的示例放入系統(tǒng)。示例有助于定義行為特征。本次討論將用戶劃分到以下音樂行為描述之一:

      1. 朋克

      2. 哥特

      3. 嘻哈

      4. 金屬

      5. 狂歡

      6. 向定義為朋克的產(chǎn)品提供示例,比如朋克專輯和樂隊(duì)的描述,例如,Sex Pistols 的 "Never Mind the Bollocks"。其他項(xiàng)目可能包括與發(fā)型或鞋類相關(guān)的產(chǎn)品,比如雞冠頭和 Doc Marten 皮靴。


        庫、軟件和數(shù)據(jù)的建立

        這篇文章中所使用的全部數(shù)據(jù)和源代碼都可以從 bpro project on JazzHub 下載。在下載并解壓 tar 文件后,需要確保您擁有 Python,SciKit Learn(機(jī)器學(xué)習(xí)和文本分析包),以及所有的依賴關(guān)系(比如 numpy、scipy,等等)。如果使用的是 Mac,那么 SciPy Superpack 可能是您最好的選擇。

        在解壓 tar 文件后,您會注意到兩個包含簡介數(shù)據(jù)的 YAML 文件。產(chǎn)品描述是通過讀取種子語料(或文檔的正文)來人工生成的。在生成產(chǎn)品描述的過程中,會考慮到詞語在產(chǎn)品描述中出現(xiàn)的頻率。清單 1 是一個人工的產(chǎn)品描述。

        備注:下面的描述并不是一個真正的自然語言描述,但在實(shí)際情況中可能會出現(xiàn)這種描述。

        清單 1. 人工的產(chǎn)品描述

        customer single clothes for his size them 1978 course group 
        rhymes have master record-breaking group few starts heard 
        blue ending company that the band the music packaged 
        master kilmister not trousers got cult albums heart 
        commentary cut 20.85 tour...

        這個分析包括兩個數(shù)據(jù)文件:

        customers.yaml:包括一個客戶列表。對于每個客戶,包括一個產(chǎn)品描述列表,以及目標(biāo)標(biāo)簽,或正確的 行為描述。正確的行為描述是指您知道的那個行為描述是正確的。例如,在實(shí)際的場景中,將會檢查哥特用戶的特征數(shù)據(jù),以便驗(yàn)證這些購買行為表明該用戶是一個哥特用戶。

        behavioral_profiles.yaml:包含描述文件(朋克、哥特等)的列表,以及定義該描述文件的產(chǎn)品描述的樣本集。

        您可以通過運(yùn)行命令 python bpro.py -g 生成自己的模擬文件。

        備注:必須先在種子目錄中填充一些內(nèi)容,定義感興趣的流派。進(jìn)入種子目錄,打開任何文件,并了解相關(guān)說明。您可以操縱 bpro.py 文件中的參數(shù),以改變產(chǎn)品描述長度、噪聲量、訓(xùn)練示例的數(shù)量或其他參數(shù)。


        構(gòu)建行為描述模型

        首先,使用 SciKit 的 CountVectorizer 構(gòu)建一個基于術(shù)語計(jì)數(shù)的簡單語料庫描述。語料庫對象是包含產(chǎn)品描述的一個簡單字符串列表。

        清單 2. 構(gòu)建一個簡單的術(shù)語計(jì)數(shù)

         vectorizer = CountVectorizer(gmin_df=1)
         corpus=[]
         for bp in behavioral_profiles:
         for pd in bp.product_descriptions:
         corpus.append(pd.description)

        SciKit 還有其他更先進(jìn)的矢量器(vectorizers),比如 TFIDFVectorizer,它使用術(shù)語頻率/逆文檔頻率 (TF/IDF) 加權(quán)來存儲文檔術(shù)語。TF/IDF 表示有助于讓獨(dú)特的術(shù)語(比如 Ozzy、 raver和 Bauhaus)的權(quán)重比反復(fù)出現(xiàn)的術(shù)語(比如 and、 the 和 for)的權(quán)重還要高。

        接下來,將產(chǎn)品描述劃分為單個單詞,并建立一個術(shù)語字典。分析器在匹配過程中找到的每個術(shù)語被賦予一個與在結(jié)果矩陣中的列相對應(yīng)的惟一整數(shù)索引:
        fit_corpus = vectorizer.fit_transform(corpus)

        備注:這個分詞器配置(tokenizer configuration)也丟棄了單字符單詞。

        您可以使用 print vectorizer.get_feature_names()[200:210] 打印出一些特性,看看哪些單詞被分詞。此命令的輸出如下所示。

        清單 3. print 命令的輸出

        [u'better', u'between', u'beyond', u'biafra', u'big', 
        u'bigger', u'bill', u'billboard', u'bites', u'biting']

        請注意,當(dāng)前矢量器沒有詞干化的單詞。詞干化 是為詞尾變化或派生的單詞得到一個共同的基礎(chǔ)或詞根形式的過程。例如,big 是在前面列表中的 bigger 的一個常見詞干。SciKit 不處理更復(fù)雜的分詞(比如詞干化、詞簇化和復(fù)合斷詞),但您可以使用自定義分詞器,比如那些來自 Natural Language Toolkit (NLTK) 庫的那些分詞器。關(guān)于自定義分詞器的示例,請參見 scikit-learn.org。

        分詞過程(比如,詞干化)有助于減少所需的訓(xùn)練實(shí)例的數(shù)量,因?yàn)槿绻硞€單詞有多種形式,而且不要求對每種形式都提供統(tǒng)計(jì)表示。您可以使用其他技巧來減少培訓(xùn)需求,比如使用類型字典。例如,如果您有所有哥特樂隊(duì)的樂隊(duì)名稱列表,那么可以創(chuàng)建一個共同的文字標(biāo)記,比如goth_band,并在生成特性之前將它添加到您的描述中。通過使用這種方法,如果在描述中第一次遇到某個樂隊(duì),該模型處理此樂隊(duì)的方式會與處理模型可以理解其模式的其他樂隊(duì)的方式相同。對于本文中的模擬數(shù)據(jù),我們要關(guān)心的不是減少培訓(xùn)需求,所以我們應(yīng)該繼續(xù)執(zhí)行下一個步驟。

        在機(jī)器學(xué)習(xí)中,出現(xiàn)這樣的監(jiān)督分類問題是因?yàn)槭紫纫獮橐唤M觀察定義一組特性和相應(yīng)的目標(biāo),或者正確的標(biāo)簽。然后,所選擇的算法會嘗試相應(yīng)的模型,該模型會找到最適合的數(shù)據(jù),并且參照已知的數(shù)據(jù)集來最大限度地減少錯誤。因此,我們的下一步操作是構(gòu)建特性和目標(biāo)標(biāo)簽矢量(參見清單 4)。隨機(jī)化觀察總是一個好辦法,因?yàn)樗梢苑乐跪?yàn)證技術(shù)沒有這樣做。

        清單 4. 構(gòu)建特性和目標(biāo)標(biāo)簽矢量

         data_target_tuples=[ ]
         for bp in behavioral_profiles:
         for pd in bp.product_descriptions:
         data_target_tuples.append((bp.type, pd.description))
         shuffle(data_target_tuples)

        接下來,組裝矢量,如清單 5 所示。

        清單 5. 組裝矢量

         X_data=[ ]
         y_target=[ ]
         for t in data_target_tuples:
         v = vectorizer.transform([t[1]]).toarray()[0]
         X_data.append(v)
         y_target.append(t[0])
         X_data=np.asarray(X_data)
         y_target=np.asarray(y_target)

        現(xiàn)在,您可以選擇一個分類器并修整您的行為描述模型。在此之前,最好先評估模型,這樣做只是為了確保該模型可用,然后再讓客戶試用。


        評估行為描述模型

        首先使用 Linear Support Vector Machine (SVM),對于此類稀疏矢量問題,這是一個匹配度很高的不錯的模型。使用代碼linear_svm_classifier = SVC(kernel="linear", C=0.025)。

        備注:您可以通過修改這個模式初始化代碼來切換到其他模型類型。如果需要試用不同的模型類型,那么可以使用這個分類器映射,它為一些常見的選項(xiàng)設(shè)置了初始化。

        清單 6. 使用分類器的映射

        classifier_map = dict()
        classifier_map["Nearest Neighbors"]=KNeighborsClassifier(3)
        classifier_map["Linear SVM"]=SVC(kernel="linear", C=0.025)
        classifier_map["RBF SVM"]= SVC(gamma=2, C=1)
        classifier_map["Decision Tree"]=DecisionTreeClassifier(max
         _depth=5)
        classifier_map["Random Forest"]=RandomForestClassifier
         (max_depth=5, n_estimators=10, max_features=1)
        classifier_map["AdaBoost"]=AdaBoostClassifier()
        classifier_map["Naive Bayes"]=GaussianNB()
        classifier_map["LDA"]=LDA()
        classifier_map["QDA"]=QDA()

        因?yàn)檫@是一個多級分類問題(也就是說,在該問題中,您需要選擇的可能類別多于兩個),您還需要指定相應(yīng)的策略。一種常見的方法是執(zhí)行一對全的分類。例如,來自 goth 類的產(chǎn)品描述被用于定義一個類,而另一個類包括來自其他所有類( metal、rave,等等)的示例描述。最后,作為驗(yàn)證的一部分,您需要確保修整該模型的數(shù)據(jù)不是測試數(shù)據(jù)。一個常見的技術(shù)是使用交叉折疊驗(yàn)證法。您可以使用此技術(shù)五次,這意味著穿過數(shù)據(jù)的五個部分的分區(qū)五次。在每次穿過時,五分之四的數(shù)據(jù)被用于修整,其余五分之一用于測試。

        清單 7. 交叉折疊驗(yàn)證

        scores = cross_validation.cross_val_score(OneVsRestClassifier
         (linear_svm_classifier), X_data, y_target, cv=2)
        print("Accuracy using %s:%0.2f (+/- %0.2f) and %d folds" 
         % ("Linear SVM", scores.mean(), scores.std() * 2, 5))

        盡管如此,您仍會得到完全精確的結(jié)果,這標(biāo)志著模擬數(shù)據(jù)有點(diǎn)過于完美。當(dāng)然,在現(xiàn)實(shí)生活中,始終會有干擾因素,因?yàn)槿后w之間的完美界限并不總是存在。例如,有 goth punk 的問題流派,所以像 Crimson Scarlet 這樣的樂隊(duì)可能會同時進(jìn)入 goth 和 punk 的訓(xùn)練示例。您可以試一下 bpro 下載軟件包 中的種子數(shù)據(jù),以便更好地了解這種類型的干擾因素。

        在了解一個行為描述模型之后,您可以再繞回來,用您的所有數(shù)據(jù)修整它。

        清單 8. 修整行為描述模型

         behavioral_profiler = SVC(kernel="linear", C=0.025)
         behavioral_profiler.fit(X_data, y_target)

        試用行為模型

        現(xiàn)在,您可以玩一下模型,鍵入一些虛構(gòu)的產(chǎn)品描述,看看模型如何工作。

        清單 9. 試用模型

        print behavioral_profiler.predict(vectorizer.transform(['Some black 
        Bauhaus shoes to go with your Joy Division hand bag']).toarray()[0])

        請注意,它的確會返回 ['goth']。如果刪除單詞 Bauhaus 并重新運(yùn)行,您可能會注意到,它現(xiàn)在會返回 ['punk']。


        對您的客戶應(yīng)用行為模型

        繼續(xù)將修整過的模型應(yīng)用于客戶及其購買的產(chǎn)品描述。

        清單 10. 將修整過的模型應(yīng)用于我們的客戶及其產(chǎn)品描述

        predicted_profiles=[ ]
        ground_truth=[ ]
        for c in customers:
         customer_prod_descs = ' '.join(p.description for p in 
        c.product_descriptions)
         predicted = behavioral_profiler.predict(vectorizer
        .transform([customer_product_descriptions]).toarray()[0])
         predicted_profiles.append(predicted[0])
         ground_truth.append(c.type)
         print "Customer %d, known to be %s, was predicted to 
        be %s" % (c.id,c.type,predicted[0])

        最后,計(jì)算準(zhǔn)確性,看看您可以多頻繁地分析購物者。

        清單 11. 計(jì)算準(zhǔn)確性

         a=[x1==y1 for x1, y1 in zip(predicted_profiles,ground_truth)]
         accuracy=float(sum(a))/len(a)
         print "Percent Profiled Correctly %.2f" % accuracy

        如果使用所提供的默認(rèn)描述數(shù)據(jù),結(jié)果應(yīng)該是 95%。如果這是真實(shí)的數(shù)據(jù),那么這是一個相當(dāng)不錯的準(zhǔn)確率。


        擴(kuò)展模型

        現(xiàn)在,我們已經(jīng)構(gòu)建和測試了模型,可以把它應(yīng)用于數(shù)以百萬計(jì)的客戶個人資料。您可以使用 MapReduce 框架,并將修整后的行為分析器發(fā)送到工作節(jié)點(diǎn)。然后,每個工作節(jié)點(diǎn)都會得到一批客戶個人資料及其購買歷史,并應(yīng)用模型。保存結(jié)果。此時,模型已被應(yīng)用,您的客戶被分配為一個行為描述。您可以在很多方面使用該行為描述分配任務(wù)。例如,您可能決定用定制的促銷活動來定位目標(biāo)客戶,或者使用行為描述作為產(chǎn)品推薦系統(tǒng)的輸入。

        聲明:本網(wǎng)頁內(nèi)容旨在傳播知識,若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系,我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com

        文檔

        利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析

        利用Python、SciKit和文本分類來實(shí)現(xiàn)行為分析:簡介幾乎所有人都會購物。從基本的必需品(比如食品)到娛樂產(chǎn)品(比如音樂專輯),我們會購買各種各樣的物品。當(dāng)購物時,我們不僅會尋找在生活中用到的東西,也會在表達(dá)我們對某些社會群體的興趣。我們的在線行為和決策塑造了我們自己的行為特征。當(dāng)購買產(chǎn)品
        推薦度:
        標(biāo)簽: 分類 使用 行為
        • 熱門焦點(diǎn)

        最新推薦

        猜你喜歡

        熱門推薦

        專題
        Top
        主站蜘蛛池模板: 一级毛片免费在线观看网站| 久久精品国产亚洲AV麻豆不卡| 亚洲资源在线视频| 一区二区三区免费精品视频| 国产成人免费福利网站| 77777亚洲午夜久久多喷| 久久国产高潮流白浆免费观看| 亚洲日韩v无码中文字幕 | 亚洲国产第一站精品蜜芽| 四虎影视久久久免费| 四虎影视永久免费观看地址| 亚洲AV电影天堂男人的天堂| 好吊妞在线新免费视频| 亚洲色成人网站WWW永久四虎| 波多野结衣免费在线| 亚洲春色另类小说| 日本人的色道免费网站| 亚洲毛片无码专区亚洲乱| 最近最好最新2019中文字幕免费| 国产亚洲婷婷香蕉久久精品 | tom影院亚洲国产一区二区| 最近2019免费中文字幕视频三| 亚洲一本综合久久| 最好看最新的中文字幕免费| 亚洲成人一级电影| 免费做爰猛烈吃奶摸视频在线观看| 亚洲精品综合在线影院| 无码人妻久久一区二区三区免费丨| 激情五月亚洲色图| 永久黄网站色视频免费直播| 男人的天堂av亚洲一区2区| 亚洲国产精品丝袜在线观看| 中国一级毛片免费看视频| 国产A在亚洲线播放| 97青青草原国产免费观看| 亚洲人成电影青青在线播放| 免费黄色app网站| 成人a毛片视频免费看| 亚洲av午夜福利精品一区人妖| 国产成人精品免费午夜app| 亚洲欧美不卡高清在线|