Python短文本自动识别个体是否有自杀倾向【新手必学】

迈不过友情╰ 2023-07-04 15:44 31阅读 0赞

我们以微博树洞为例，讲解了怎么自动爬取单个微博的评论。今天我们就要用上这些数据做一个自杀倾向分类器，这样的分类器如果应用得当，将可以帮助成千上万误入歧途的人们挽回生命。

为了简化问题，我们将短文本分为两种类别中的一种，即要么是正常微博、要么是自杀倾向微博。这样，有了上次的微博树洞，训练集和测试集就非常好获得了。由于是短文本二分类问题，可以使用 scikit-learn 的 SVM 分类模型。

不过要注意的是，我们的分类器并不能保证分类出来的结果百分百正确，毕竟心理状态是很难通过文本准确识别出来的，我们只能通过文字，大致判断其抑郁情况并加以介入。实际上这是一个宁可错杀一百，不可放过一个的问题。毕竟放过一个，可能就有一条生命悄然流逝。

本文源代码： [https://github.com/Ckend/suicide-detect-sv...][https_github.com_Ckend_suicide-detect-sv...] 欢迎一同改进这个项目，在训练集和模型方面，改进的空间还相当大。  
PS:另外很多人在学习Python的过程中，往往因为遇问题解决不了或者没好的教程从而导致自己放弃，为此我建了个Python全栈开发交流.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，里面有最新Python教程项目可拿,不懂的问题有老司机解决哦，一起相互监督共同进步

# 1. 数据准备 #

数据集整体上分两个部分，一部分是训练集、一部分是测试集。其中，训练集和测试集中还要分为正常微博短文本和自杀倾向短文本。

将上一篇爬取微博树洞的文章中得到的数据进行人工筛选后，挑出 300 条作为训练集（有点少，其实业界至少也要 3000 条以上），再根据上次的微博爬虫随意爬取 10000 条微博作为训练集的正常微博类。另外再分别搜集自杀倾向微博和普通微博各 50 条作为测试集。

每条微博按行存储在 txt 文件里。训练集中，正常微博命名为 normal.txt, 自杀倾向微博命名为 die.txt。测试集存放在后缀为\_test.txt 的文件中：

[![Python 短文本自动识别个体是否有自杀倾向][Python]][Python _Python]

此外，接下来我们会使用到一个机器学习工具包叫 scikit-learn (sklearn)，其打包好了许多机器学习模型和预处理的方法，方便我们构建分类器，在 CMD/Terminal 输入以下命令安装：

`pip install -U scikit-learn`

如果你还没有安装 Python，请看这篇文章安装 Python，然后再执行上述命令安装 sklearn.

# 2. 数据预处理 #

我们使用一个典型的中文自然语言预处理方法：对文本使用结巴分词后将其数字化。

由于具有自杀倾向的微博中，其实类似于 "死"、"不想活"、"我走了" 等这样的词语比较常见，因此我们可以用 TF-IDF 将字符串数字化。如果你不了解 TF-IDF，请看这篇文章： 文本处理之 tf-idf 算法及其实践

数字化的部分代码如下。

print('(2) doc to var...')
    from sklearn.feature_extraction.text import CountVectorizer, TfidfTransformer
    
    # CountVectorizer考虑每种词汇在该训练文本中出现的频率，得到计数矩阵
    count_v0= CountVectorizer(analyzer='word',token_pattern='\w{1,}')
    counts_all = count_v0.fit_transform(all_text)
    
    count_v1= CountVectorizer(vocabulary=count_v0.vocabulary_)
    counts_train = count_v1.fit_transform(train_texts) 
    print("the shape of train is "+repr(counts_train.shape)  )
    count_v2 = CountVectorizer(vocabulary=count_v0.vocabulary_)
    counts_test = count_v2.fit_transform(test_texts)
    print("the shape of test is "+repr(counts_test.shape)  )
    
    # 保存数字化后的词典
    joblib.dump(count_v0.vocabulary_, "model/die_svm_20191110_vocab.m")
    
    counts_all = count_v2.fit_transform(all_text)
    print("the shape of all is "+repr(counts_all.shape))
    
    # 将计数矩阵转换为规格化的tf-idf格式
    tfidftransformer = TfidfTransformer()  
    train_data = tfidftransformer.fit(counts_train).transform(counts_train)
    test_data = tfidftransformer.fit(counts_test).transform(counts_test)
    all_data = tfidftransformer.fit(counts_all).transform(counts_all)

# 3. 训练 #

使用 scikit-learn 的 SVM 分类模型，我们能很快滴训练并构建出一个分类器：

print('(3) SVM...')
    from sklearn.svm import SVC
    
    # 使用线性核函数的SVM分类器，并启用概率估计（分别显示分到两个类别的概率如：[0.12983359 0.87016641]）
    svclf = SVC(kernel = 'linear', probability=True) 
    
    # 开始训练
    svclf.fit(x_train,y_train)
    # 保存模型
    joblib.dump(svclf, "model/die_svm_20191110.m")

这里我们忽略了 SVM 原理的讲述，SVM 的原理可以参考这篇文章：[支持向量机（SVM）—— 原理篇][SVM_]

# 4. 测试 #

测试的时候，我们要分别计算模型对两个类别的分类精确率和召回率。scikit-learn 提供了一个非常好用的函数 classification\_report 来计算它们：

# 测试集进行测试
    preds = svclf.predict(x_test)
    y_preds = svclf.predict_proba(x_test)
    
    preds = preds.tolist()
    for i,pred in enumerate(preds):
        # 显示被分错的微博
        if int(pred) != int(y_test[i]):
            try:
                print(origin_eval_text[i], ':', test_texts[i], pred, y_test[i], y_preds[i])
            except Exception as e:
                print(e)
    
    # 分别查看两个类别的准确率、召回率和F1值
    print(classification_report(y_test, preds))

结果：

[![Python 短文本自动识别个体是否有自杀倾向][Python 1]][Python _Python 1]

对自杀倾向微博的分类精确率为 100%，但是查全率不够，它只找到了 50 条里的 60%，也就是 30 条自杀倾向微博。

对于正常微博的分类，其精确率为 71%，也就是说有部分正常微博被分类为自杀倾向微博，不过其查全率为 100%，也就是不存在不被分类的正常微博。

这是建立在训练集还不够多的情况下的结果。我们的自杀倾向微博的数据仅仅才 300 条，这是远远不够的，如果能增加到 3000 条，相信结果会改进不少，尤其是对于自杀倾向微博的查全率有很大的帮助。预估最终该模型的精确率和召回率至少能达到 95%。

本次分享大家都明白了没？ 另外很多人在学习Python的过程中，往往因为遇问题解决不了从而导致自己放弃，为此我建了个Python全栈开发交流.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，里面有最新Python教程项目可拿,不懂的问题有老司机解决哦，一起相互监督共同进步  
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

[https_github.com_Ckend_suicide-detect-sv...]: https://github.com/Ckend/suicide-detect-svm
[Python]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9jZG4ubGVhcm5rdS5jb20vdXBsb2Fkcy9pbWFnZXMvMjAxOTExLzEwLzUwNjUxL053RE92ZmZPRjYucG5nIWxhcmdl?x-oss-process=image/format,png
[Python _Python]: https://cdn.learnku.com/uploads/images/201911/10/50651/NwDOvffOF6.png!large
[SVM_]: https://zhuanlan.zhihu.com/p/31886934
[Python 1]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9jZG4ubGVhcm5rdS5jb20vdXBsb2Fkcy9pbWFnZXMvMjAxOTExLzEwLzUwNjUxL0xuM3RSV2Z6VlYucG5nIWxhcmdl?x-oss-process=image/format,png
[Python _Python 1]: https://cdn.learnku.com/uploads/images/201911/10/50651/Ln3tRWfzVV.png!large