文本分类实战 - 课堂讲义
本项目用纯NumPy实现文本分类，帮助学生理解文本向量化和神经网络的基本原理。
类比：MNIST（图像）→ 全连接网络 → 数字分类，本项目是文本版。
目录
- 实验概述
- 数据预处理：如何让计算机"读懂"文本
- 向量化方法：BoW 与 TF-IDF
- 模型一：逻辑回归（Logistic Regression）
- 模型二：多层感知机（MLP）
- 训练过程：梯度下降与反向传播
- 数据不平衡问题与解决
- 实验操作指南
- 预测新文本
1. 实验概述
1.1 任务
对中文酒店评论进行情感分类：
- 正面评论（好评）
- 负面评论（差评）
1.2 数据集
ChnSentiCorp（中文酒店评论数据集）
- 总评论数：7765条
- 正面评论：5322条（68.5%）
- 负面评论：2443条（31.5%）
数据集已内置，程序会自动下载。
1.3 整体流程
原始文本 → 分词 → 向量化 → 模型训练 → 预测
"酒店很好" → ["酒店", "很好"] → [0.3, 0.8, ...] → 正面
1.4 代码文件
| 文件 | 作用 |
|---|---|
config.py |
所有超参数配置（改这里来调整实验） |
dataset.py |
数据加载、分词、向量化 |
model_numpy.py |
逻辑回归和MLP模型实现 |
train.py |
训练和对比实验 |
predict.py |
加载模型预测新文本 |
2. 数据预处理：如何让计算机"读懂"文本
2.1 为什么文本不能直接用于计算？
计算机只能处理数字，不能直接处理文字。我们需要把文本转换成数字向量。
2.2 分词
原理：把连续的中文文本切成离散的词。
# 示例
文本: "酒店服务很好"
分词: ["酒店", "服务", "很好"]
本项目使用 jieba 库进行分词：
import jieba
text = "酒店服务很好"
words = jieba.lcut(text)
print(words) # ['酒店', '服务', '很好']
注意：过滤掉单字（如"的"、"了"），因为信息量太少。
words = [w for w in words if len(w) > 1] # 过滤单字
2.3 构建词表
原理：把所有评论中的词收集起来，编上序号。
# 词表示例
{
"酒店": 0,
"服务": 1,
"很好": 2,
"房间": 3,
...
}
词表大小由 MAX_FEATURES 控制（本项目设为3000），只保留出现频率最高的3000个词。
3. 向量化方法：BoW 与 TF-IDF
把分词后的文本转换成数字向量。
3.1 BoW（词袋模型）
原理：统计每个词出现的次数。
文本: "酒店 服务 很好 服务"
分词: ["酒店", "服务", "很好", "服务"]
词表: {"酒店":0, "服务":1, "很好":2, "不错":3, ...}
向量: [1, 2, 1, 0, ...] # 酒店出现1次，服务出现2次，很好出现1次
代码位置：dataset.py 中的 BoWVectorizer 类
class BoWVectorizer:
def transform(self, text):
words = tokenize(text)
vec = [0] * MAX_SEQ_LEN
for i, word in enumerate(words[:MAX_SEQ_LEN]):
if word in self.vocab:
vec[i] = 1 # 也可以用词频 tf[word]
return vec
问题：所有词权重相同，导致常见词（如"的"、"是"）主导。
3.2 TF-IDF（词频-逆文档频率）
原理：给每个词赋予重要程度权重。
TF(词频) = 词在本文中出现的次数
IDF(逆文档频率) = log(总文档数 / 包含该词的文档数)
TF-IDF = TF × IDF
直观理解：
- 一个词在本文中出现越多 → TF越高 → 越重要
- 一个词在所有文档中越常见 → IDF越低 → 越不重要
例子：
- "酒店"：在100篇评论中出现80篇 → IDF = log(100/80) ≈ 0.22
- "惊喜"：在100篇评论中出现5篇 → IDF = log(100/5) ≈ 3.0
"惊喜"虽然少见，但信息量大，IDF更高
代码位置：dataset.py 中的 TFIDFVectorizer 类
class TFIDFVectorizer:
def transform(self, text):
words = tokenize(text)
tf = Counter(words) # 词频
tf_sum = len(words)
vec = [0.0] * MAX_SEQ_LEN
for i, word in enumerate(words[:MAX_SEQ_LEN]):
if word in self.vocab:
# TF × IDF
vec[i] = (tf[word] / tf_sum) * self.idf.get(word, 0)
return vec
3.3 两种方法对比
| 特性 | BoW | TF-IDF |
|---|---|---|
| 公式 | 词频 | TF × IDF |
| 常见词权重 | 相同（偏高） | 降低 |
| 罕见词权重 | 相同（偏低） | 提升 |
| 计算复杂度 | 低 | 稍高 |
| 效果 | 一般 | 通常更好 |
4. 模型一：逻辑回归（Logistic Regression）
4.1 模型结构
最简单的线性分类器：
输入 [batch, features]
│
▼
线性变换: Z = X @ W + b
│
▼
Softmax → 概率
│
▼
输出 [batch, 2] # [负面概率, 正面概率]
4.2 线性变换
Z = X @ W + b
# 例子：
# X: [1, 3000] (一个样本，3000维特征)
# W: [3000, 2] (权重矩阵)
# b: [2] (偏置)
# Z: [1, 2] (输出 logits)
4.3 Softmax
把 logits 转换成概率（和为1）：
def softmax(x):
exp_x = np.exp(x - np.max(x)) # 减最大值防溢出
return exp_x / np.sum(exp_x, axis=1, keepdims=True)
# 示例
logits = [2.0, 1.0]
probs = softmax(logits)
# probs = [0.731, 0.269]
# 解释：正面概率73.1%，负面概率26.9%
4.4 代码实现
class LogisticRegression:
def __init__(self, input_size, num_classes=2):
self.W = np.random.randn(input_size, num_classes) * 0.01
self.b = np.zeros(num_classes)
def forward(self, X):
z = X @ self.W + self.b
return softmax(z)
def backward(self, X, y):
# 梯度计算和参数更新
...
4.5 参数量
W: input_size × num_classes = 3000 × 2 = 6000
b: num_classes = 2
总计: 6002
5. 模型二：多层感知机（MLP）
5.1 模型结构
比逻辑回归多了一层隐藏层和非线性激活：
输入 [batch, features]
│
▼
线性变换: Z1 = X @ W1 + b1
│
▼
ReLU激活: A1 = max(0, Z1)
│
▼
线性变换: Z2 = A1 @ W2 + b2
│
▼
Softmax → 概率
│
▼
输出 [batch, 2]
5.2 ReLU激活函数
def relu(x):
return np.maximum(0, x)
# 示例
relu([1, -2, 3, -1]) = [1, 0, 3, 0]
作用：引入非线性，让模型能学习复杂模式。
5.3 参数量
W1: input_size × hidden = 3000 × 64 = 192000
b1: hidden = 64
W2: hidden × num_classes = 64 × 2 = 128
b2: num_classes = 2
总计: 192194
5.4 与视觉CNN的类比
| 视觉（全连接） | 文本 |
|---|---|
| 输入: 784维像素 | 输入: 3000维词向量 |
| 隐藏层: 128神经元 | 隐藏层: 64神经元 |
| 输出: 10类数字 | 输出: 2类情感 |
| ReLU + Softmax | ReLU + Softmax |
6. 训练过程：梯度下降与反向传播
6.1 训练流程
for epoch in 轮数:
for batch in 数据:
1. 前向传播: 计算输出概率
2. 计算损失: CrossEntropy(probs, labels)
3. 反向传播: 计算梯度
4. 更新参数: W = W - lr × 梯度
6.2 损失函数：交叉熵
def cross_entropy_loss(probs, y):
# probs: 预测概率
# y: 真实标签
loss = -np.log(probs[y]) # 正确类的概率越大，损失越小
return loss
6.3 梯度下降
# 简单示例：单参数
loss = f(w) # 损失是参数的函数
gradient = (loss(w + epsilon) - loss(w)) / epsilon # 数值梯度
# 解析梯度
w = w - learning_rate * gradient
6.4 反向传播（BP）
链式法则，从后往前计算梯度：
损失 → Softmax → 线性变换 → ReLU → 线性变换 → 输入
↓
链式求导
↓
各层梯度 = 损失对各层参数的偏导
6.5 训练日志解读
Epoch 20/100 | Loss: 0.5844 | 训练准确率: 0.6851 | 测试准确率: 0.6864
│ │ │ │
│ │ │ └─ 测试集上的表现
│ │ └─ 训练集上的表现
│ └─ 损失值（越小越好）
└─ 当前轮数/总轮数
7. 数据不平衡问题与解决
7.1 问题
本数据集正负比例约 7:3，模型可能"偷懒"：
| 策略 | 结果 | 准确率 |
|---|---|---|
| 不使用技巧，总是预测正面 | 简单但无效 | 68.5%（假高分） |
| 使用类别权重，认真学习 | 难但有效 | 46%（真学习） |
7.2 类别权重
原理：给少数类更高的权重，让模型更"怕"漏判少数类。
# 计算权重
n_samples = 7765 # 总样本数
n_pos = 5322 # 正面样本数
n_neg = 2443 # 负面样本数
weight_pos = n_samples / (2 * n_pos) = 0.73 # 正面权重（样本多，权重小）
weight_neg = n_samples / (2 * n_neg) = 1.59 # 负面权重（样本少，权重大）
# 梯度更新时
d_z[y] -= class_weight[y] # 负面样本的梯度更大
7.3 开关配置
在 config.py 中：
USE_CLASS_WEIGHT = True # 开启类别权重
USE_CLASS_WEIGHT = False # 关闭（总是预测正面）
7.4 实验对比
| 配置 | 测试准确率 | 预测分布 | 说明 |
|---|---|---|---|
| 关闭权重 | 68.6% | 全预测正面 | 模型偷懒 |
| 开启权重 | 46.4% | 有正有负 | 模型在学习 |
结论：68%准确率是"假"高分，46%是"真"学习。数据不平衡问题没有银弹。
8. 实验操作指南
8.1 安装依赖
pip install numpy jieba
8.2 训练模型
python main.py
8.3 修改配置
编辑 config.py：
# 选择模型
MODEL_TYPE = 'mlp' # 'lr' 或 'mlp'
VECTORIZER_TYPE = 'tfidf' # 'bow' 或 'tfidf'
# 开关类别权重
USE_CLASS_WEIGHT = True # 或 False
# 调整超参数
NUM_EPOCHS = 100 # 训练轮数
LEARNING_RATE = 0.05 # 学习率
HIDDEN_SIZE = 64 # MLP隐藏层大小
8.4 运行对比实验
RUN_COMPARISON = True # 开启
会自动进行：
- BoW vs TF-IDF 对比
- LR vs MLP 对比
- 学习率对比
- 隐藏层大小对比
8.5 训练输出示例
============================================================
训练配置:
模型: MLP
向量: TF-IDF
学习率: 0.05
隐藏层大小: 64
训练轮数: 100
============================================================
类别权重: 正面=0.73, 负面=1.59
MLP: 100 -> 64 -> 2, 参数量: 6594
Epoch 20/100 | Loss: 0.6694 | 训练准确率: 0.4598 | 测试准确率: 0.4662
...
最终结果:
训练准确率: 0.4596
测试准确率: 0.4668
训练时间: 2.95秒
模型已保存: model_mlp_tfidf_weighted_0427_212802_*.npy
9. 预测新文本
9.1 使用方法
python predict.py
9.2 操作流程
1. 程序列出已保存的模型
2. 输入编号选择模型
3. 输入评论文本
4. 查看预测结果
9.3 示例
请选择模型编号 (1-1): 1
请输入评论文本: 酒店服务很好，环境也不错
预测结果: 正面
置信度: 99.7%
详细: 正面概率=99.7%, 负面概率=0.3%
请输入评论文本: 房间太小，卫生很差
预测结果: 负面
置信度: 85.2%
详细: 正面概率=14.8%, 负面概率=85.2%
9.4 权重文件命名
每次训练生成唯一的文件名：
model_mlp_tfidf_weighted_0427_212802_W1.npy
model_mlp_tfidf_weighted_0427_212802_b1.npy
model_mlp_tfidf_weighted_0427_212802_W2.npy
model_mlp_tfidf_weighted_0427_212802_b2.npy
文件名包含：模型类型、向量类型、权重开关、时间戳
10. 思考题
- 向量化：为什么TF-IDF通常比BoW效果好？
- 模型复杂度：MLP比LR多了一层，带来的优势是什么？
- 数据不平衡：68%准确率一定好吗？有什么陷阱？
- 类别权重：开启后准确率反而下降，这说明什么？
- 调参实践：学习率过大会怎样？隐藏层太小会怎样？
附录：完整代码流程图
┌─────────────┐
│ config.py │
│ (超参数) │
└──────┬──────┘
│
▼
┌─────────────────────────────────────────┐
│ dataset.py │
│ ┌───────────┐ ┌──────────────────┐ │
│ │ 下载数据 │───▶│ TF-IDF/BoW向量化 │ │
│ └───────────┘ └────────┬─────────┘ │
│ │ │
└────────────────────────────┼────────────┘
▼
┌────────────────┐
│ 特征向量 X │
│ 标签 y │
└────────┬───────┘
│
▼
┌─────────────────────────────────────────┐
│ model_numpy.py │
│ ┌───────────────────────────────────┐ │
│ │ LogisticRegression / MLP │ │
│ │ - forward(): 前向传播 │ │
│ │ - backward(): 反向传播 │ │
│ │ - fit(): 训练循环 │ │
│ └───────────────────────────────────┘ │
└────────────────────────────┬────────────┘
│
▼
┌────────────────┐
│ 保存权重 │
│ model_*.npy │
└────────┬───────┘
│
▼
┌────────────────┐
│ predict.py │
│ (加载预测) │
└───────────────┘