我们想搭建一个关于游戏的推荐系统，给用户推荐有趣、好玩的游戏。起初在还没有用户的情况下一般采用基于内容推荐，然而要还原游戏的真实面貌，清洗垃圾评论是必不可少的。下面讲讲我们在这其中的一系列尝试，处理代码戳这里

预处理

我们先从渠道应用宝里面获取了很多游戏的数据，其中包括评论、用户评分。这些评论有内容简短、重复出现等特点。因此我们先进行了预处理

• 处理评论内容html 反转义内容、繁体转简体、去除标点符号
• 并选出长度大于5 的评论
• 去除重复三次以上的评论

接下来我们手动标记了1000条评论数据（这个样本有点少，至少要10000条的），0代表无用评论，1代表普通评论。分类模型选用了逻辑回归方法，但是如何表达样本数据使其适用分类模型是重要考虑得。我们尝试了四种表示方法

• 词袋模型，就是基于样本预料集的词频矩阵，各样本维度相同，元素是对应词的词频
• tf-idf，利用tf-idf 优化词袋模型，只用认为是样本关键词来表示样本，而不是全部词汇
• word2vec，用向量表示每个词汇，求出样本全部词汇的平均值向量表示该样本
• 端到端方式，利用卷积神经网络CNN学习语法特征

词袋模型

词袋模型就是用词汇出现的次数来表示每个词，忽略了词汇在句子中出现的顺序，只关心词出现的次数。要求先得到全部样本的语料集，再求出每个样本基于语料集的词频矩阵。

用词袋模型表示样本之后，可视化数据观察类别分布是否明显。语料的维度很大要利用PCA特征降维技术把数据降到2个维度。

cleanComment1.png

可以看到分类效果并不明显。接下来看看分类模型的效果怎么样。

from sklearn.linear_model import LogisticRegression
# 逻辑回归 分类器
clf = LogisticRegression(C=30.0, class_weight='balanced', solver='newton-cg', 
                         multi_class='multinomial', n_jobs=-1, random_state=40);

clf.fit(X_train_counts, y_train);
y_predicted_counts = clf.predict(X_test_counts);
y_predicted_counts;

结合混淆矩阵来检验模型

cleanComment2.png

accuracy = 0.886, precision = 0.888, recall = 0.886, f1 = 0.887

我们还可以把逻辑回归模型系数的大小看成词汇的权重，系数越大代表词的权重越大。选择影响分类权重最大的词汇，看是否和实际情况相符。

{'bottom': [
  (-1.9233468753654832, '想玩过'),
  (-1.9699934849413354, '东西'),
  (-1.9936101307589726, '一科'),
  (-2.0586707932196653, '完整版'),
  (-2.2143741219571784, '第六感'),
  (-2.2944339277405317, '平台'),
  (-2.296290346516122, '张立根'),
  (-2.5400863161740292, '全过'),
  (-2.6306392117308213, 'f2'),
  (-3.1548797624472003, 'cnm')],
 'tops': [
  (2.1516471108530144, 'lajibamxigyegei'),
  (2.1803090306315083, '界面'),
  (2.211154149794893, '根本'),
  (2.2950592487795909, '下载'),
  (2.507806444700754, '广告'),
  (2.513095684570573, '不错'),
  (2.8654346669109865, '好难'),
  (2.9219171750081423, '样儿'),
  (3.092310924958777, '老是'),
  (3.2120104179278735, '不能')
  ]}

tf-idf

词频逆文档（tf-idf）是找出样本关键词的一种算法，它认为出现频率最高的词就是样本关键词，为了排除那些常用词比如我、的、也的干扰，还必须是在其他样本出现频率较低的词。据此可得的表达式，词汇在样本出现频率，样本总词汇，样本总数，包含的样本总数，

tf-idf 对词袋模型的优化之后，分类模型的准确率有少量改善。详见源码。从效果来看感觉词袋模型不太适合短评论。

word2vec

用上面词频表示词汇的方法很容易遇到语料中缺省的词，这样模型就没法进行分类。Word2Vec 是一种为每个单词生成词向量的技术。通过阅读大量文本，它能够学到并记住那些倾向于在相似语境中出现的词汇。经过足够多的数据训练，词汇表中的每个单词都会生成一个300维的向量，由意思相近的单词组成。

我使用word2vec表示词汇，要先训练自己的语料库。用向量表示每个词汇，求出样本全部词汇向量的平均值表示该样本。还是用PCA降维技术可视化到界面观察类别分布情况。

cleanComment3.png

可以看到类别区分更加明显，分类器分类效果也有改善。

CNN

前面介绍了快速高效地获得句子嵌入的方法，然而由于省略词汇的顺序，我们也忽略了句子中所有的语法信息。CNN 能够考虑单词的顺序，能很好地学习到句子中哪些单词的序列特征影响到目标预测。处理代码戳这里

效果如下，

cleanComment4.png

参考文献

8个步骤，上手解决90%的 NLP 问题

欢迎大家给我留言，提建议，指出错误，一起讨论学习技术的感受！