algorithm - 用于聚类(和分类)短句的 NLP 词袋/TF-IDF

Question

我想通过它们的字符串键值之一( description )对 Javascript 对象进行聚类。我已经尝试了多种解决方案，并希望获得有关如何解决问题的一些指导。

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

通过逻辑(有点)组中的相似性对对象进行聚类。语义匹配会很棒，但现在只要字符串相似就足够了。在它们聚集之后，我需要分配一些 categoryId到他们每个人(代表他们所属的集群)。

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，但这是我尝试解决问题 #1 的方法。

具有 Levenshtein 距离的层次聚类(单链接) - 这里的问题是性能，结果令人满意(我使用了来自 hierarchical-clustering 的 npm 库)但是在 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 - 表演很棒。它将轻松通过 5000 个对象。但结果肯定是关闭的(可能是我的实现中的一个错误)。我使用(来自 natural 的 npm 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，我想过使用朴素贝叶斯(但我还没有尝试过)。

有什么建议？如果对象只是聚集在一起就好了。如果我可以提取组聚类所依据的标签(如从 TF-IDF 中提取)，那就更好了。

Answer 1

使用 tensorflow，可以创建一个深度学习模型，该模型经过训练后可用于预测传入单词的类别。

让我们假设这是数据集:

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

在文本分类中要做的第一件事是将文本编码为张量。可以使用许多算法，前提是它们在给定的兴趣域中具有良好的准确性。特别是，有universal-sentence encoder这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。尽管可以使用 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]的输入形状用于指示模型将被输入 n一个句子。如果句子的数量是可变的，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)
        }
    }
})

模型训练好后，对于每个传入的词，都会有一个预测。但是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

如果训练数据尚未标记(意味着对象没有标签属性)，则应该对数据进行聚类。 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包有一个标记器；还有包裹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。但由于所有句子的形状不同，因此需要使用 tf.pad 添加填充。