Python、SciKit、テキスト分類を使用して行動分析を実装する

はじめに

ほぼ誰でも買い物ができます。私たちは、基本的な必需品（食品など）からエンターテイメント製品（音楽アルバムなど）まで、さまざまな商品を購入します。買い物をするとき、私たちは生活の中で使うものを探すだけでなく、特定の社会集団への関心も表明しています。オンラインでの私たちの行動と決定は、私たち自身の行動特性を形成します。

製品を購入する場合、その製品には他の製品と類似または異なる複数の属性があります。たとえば、製品の価格、サイズ、タイプは、製品のさまざまな特性です。数値クラスまたは列挙型クラスのこれらの構造化プロパティに加えて、非構造化テキスト プロパティもあります。たとえば、製品説明や顧客レビューのテキストもその製品の特徴となります。

テキスト分析やその他の自然言語処理 (NLP) 技術は、これらの非構造化テキスト属性から意味のあるものを抽出するのに非常に役立ち、行動分析などのタスクに役立ちます。

この記事では、テキスト分類を使用して動作記述モデルを構築する方法を紹介します。この記事では、強力な Python ベースの機械学習パッケージである SciKit を使用してモデルの構築と評価を実装する方法を説明します。また、そのモデルをシミュレートされた顧客とその製品購入履歴に適用します。この特定のシナリオでは、レイブ、ゴス、メタルなどの音楽リスナーが興味を持ついくつかの注目のコンテンツをクライアントに割り当てるモデルが構築されます。この割り当ては、各顧客が購入した特定の製品と、対応するテキストの製品説明に基づいています。

---

音楽行為説明シーン

以下のシーンをご覧ください。多くの顧客プロファイルを含むデータセットがあります。各顧客プロファイルには、顧客が購入したすべての製品についての簡潔な自然言語ベースの説明リストが含まれています。以下はブーツの製品説明のサンプルです。

説明: このメンズバックルブーツは、ダークリップルサブカルチャーの雰囲気を持つゴシックブーツで、ブーツのリベットヘッドは業界の最新ファッションをもたらします。このブーツは、シャフトまで続くフロントのクロスバックルレースを備えた合成フェイクレザーのアッパー、トレッドベースとコンバットスタイルのフロントを備えたラバーアウトソールを特徴とし、内側にジッパーが装備されており、簡単に履くことができます。靴を履いたり脱いだりすること。シャフト13.5インチ、足口周囲約16インチ。 (靴のサイズ 9.5。) スタイル: メンズバックルブーツ。

私たちの目標は、現在および将来のすべてのユーザーを、これらの製品説明に基づいて行動プロファイルに分類することです。

以下に示すように、担当者は製品例を使用して、行動特性、行動モデル、顧客特性、そして最終的には顧客の行動特性を確立します。

図 1. 顧客の行動プロファイルを構築するための高レベルのアプローチ

最初のステップは、責任者の役割を引き受け、システムに各行動プロファイルの理解を提供することです。これを行う 1 つの方法は、各製品のサンプルを手動でシステムに入れることです。例は、行動特性を定義するのに役立ちます。このディスカッションでは、ユーザーを以下の音楽行動の説明のいずれかに分類します:

• パンク

• ゴス

• ヒップホップ

• メタル

• 製品に対する熱狂

パンクとして定義される 例を提供するたとえば、セックス ピストルズの「Never Mind the Bollocks」など、パンクのアルバムやバンドの説明など。その他の商品には、ケイトウやドクターマーチンの革ブーツなど、髪や履物に関連した製品が含まれる場合があります。

---

ライブラリ、ソフトウェア、データの作成

この記事で使用されているすべてのデータとソースコードは、JazzHub の bpro プロジェクトからダウンロードできます。 tar ファイルをダウンロードして解凍した後、Python、SciKit Learn (機械学習およびテキスト分析パッケージ)、およびすべての依存関係 (numpy、scipy など) があることを確認してください。 Mac を使用している場合は、SciPy Superpack がおそらく最良の選択肢です。

tar ファイルを解凍すると、導入データを含む 2 つの YAML ファイルがあることがわかります。製品説明は、シード コーパス (またはドキュメントの本文) を読んで手動で生成されます。製品説明を生成するときは、製品説明に出現する単語の頻度が考慮されます。リスト 1 は人為的な製品説明です。

注: 以下の説明は真の自然言語による説明ではありませんが、この説明は実際の状況で現れる可能性があります。

リスト 1. マニュアル製品説明

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...

この分析には 2 つのデータ ファイルが含まれています:

customers.yaml：包括一个客户列表。对于每个客户，包括一个产品描述列表，以及目标标签，或正确的 行为描述。正确的行为描述是指您知道的那个行为描述是正确的。例如，在实际的场景中，将会检查哥特用户的特征数据，以便验证这些购买行为表明该用户是一个哥特用户。

behavioral_profiles.yaml：包含描述文件（朋克、哥特等）的列表，以及定义该描述文件的产品描述的样本集。

您可以通过运行命令 python bpro.py -g 生成自己的模拟文件。

备注：必须先在种子目录中填充一些内容，定义感兴趣的流派。进入种子目录，打开任何文件，并了解相关说明。您可以操纵 bpro.py 文件中的参数，以改变产品描述长度、噪声量、训练示例的数量或其他参数。

---

构建行为描述模型

首先，使用 SciKit 的 CountVectorizer 构建一个基于术语计数的简单语料库描述。语料库对象是包含产品描述的一个简单字符串列表。

清单 2. 构建一个简单的术语计数

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

SciKit 还有其他更先进的矢量器（vectorizers），比如 TFIDFVectorizer，它使用术语频率/逆文档频率 (TF/IDF) 加权来存储文档术语。TF/IDF 表示有助于让独特的术语（比如 Ozzy、 raver和 Bauhaus）的权重比反复出现的术语（比如 and、 the 和 for）的权重还要高。

接下来，将产品描述划分为单个单词，并建立一个术语字典。分析器在匹配过程中找到的每个术语被赋予一个与在结果矩阵中的列相对应的惟一整数索引：
fit_corpus = vectorizer.fit_transform(corpus)

备注：这个分词器配置（tokenizer configuration）也丢弃了单字符单词。

您可以使用 print vectorizer.get_feature_names()[200:210] 打印出一些特性，看看哪些单词被分词。此命令的输出如下所示。

清单 3. print 命令的输出

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

请注意，当前矢量器没有词干化的单词。词干化 是为词尾变化或派生的单词得到一个共同的基础或词根形式的过程。例如，big 是在前面列表中的 bigger 的一个常见词干。SciKit 不处理更复杂的分词（比如词干化、词簇化和复合断词），但您可以使用自定义分词器，比如那些来自 Natural Language Toolkit (NLTK) 库的那些分词器。关于自定义分词器的示例，请参见 scikit-learn.org。

分词过程（比如，词干化）有助于减少所需的训练实例的数量，因为如果某个单词有多种形式，而且不要求对每种形式都提供统计表示。您可以使用其他技巧来减少培训需求，比如使用类型字典。例如，如果您有所有哥特乐队的乐队名称列表，那么可以创建一个共同的文字标记，比如goth_band，并在生成特性之前将它添加到您的描述中。通过使用这种方法，如果在描述中第一次遇到某个乐队，该模型处理此乐队的方式会与处理模型可以理解其模式的其他乐队的方式相同。对于本文中的模拟数据，我们要关心的不是减少培训需求，所以我们应该继续执行下一个步骤。

在机器学习中，出现这样的监督分类问题是因为首先要为一组观察定义一组特性和相应的目标，或者正确的标签。然后，所选择的算法会尝试相应的模型，该模型会找到最适合的数据，并且参照已知的数据集来最大限度地减少错误。因此，我们的下一步操作是构建特性和目标标签矢量（参见清单 4）。随机化观察总是一个好办法，因为它可以防止验证技术没有这样做。

清单 4. 构建特性和目标标签矢量

  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)

接下来，组装矢量，如清单 5 所示。

清单 5. 组装矢量

   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)

现在，您可以选择一个分类器并修整您的行为描述模型。在此之前，最好先评估模型，这样做只是为了确保该模型可用，然后再让客户试用。

---

评估行为描述模型

首先使用 Linear Support Vector Machine (SVM)，对于此类稀疏矢量问题，这是一个匹配度很高的不错的模型。使用代码linear_svm_classifier = SVC(kernel="linear", C=0.025)。

备注：您可以通过修改这个模式初始化代码来切换到其他模型类型。如果需要试用不同的模型类型，那么可以使用这个分类器映射，它为一些常见的选项设置了初始化。

清单 6. 使用分类器的映射

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()

因为这是一个多级分类问题（也就是说，在该问题中，您需要选择的可能类别多于两个），您还需要指定相应的策略。一种常见的方法是执行一对全的分类。例如，来自 goth 类的产品描述被用于定义一个类，而另一个类包括来自其他所有类（ metal、rave，等等）的示例描述。最后，作为验证的一部分，您需要确保修整该模型的数据不是测试数据。一个常见的技术是使用交叉折叠验证法。您可以使用此技术五次，这意味着穿过数据的五个部分的分区五次。在每次穿过时，五分之四的数据被用于修整，其余五分之一用于测试。

清单 7. 交叉折叠验证

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))

尽管如此，您仍会得到完全精确的结果，这标志着模拟数据有点过于完美。当然，在现实生活中，始终会有干扰因素，因为群体之间的完美界限并不总是存在。例如，有 goth punk 的问题流派，所以像 Crimson Scarlet 这样的乐队可能会同时进入 goth 和 punk 的训练示例。您可以试一下 bpro 下载软件包 中的种子数据，以便更好地了解这种类型的干扰因素。

在了解一个行为描述模型之后，您可以再绕回来，用您的所有数据修整它。

清单 8. 修整行为描述模型

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

---

试用行为模型

现在，您可以玩一下模型，键入一些虚构的产品描述，看看模型如何工作。

清单 9. 试用模型

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

请注意，它的确会返回 ['goth']。如果删除单词 Bauhaus 并重新运行，您可能会注意到，它现在会返回 ['punk']。

---

对您的客户应用行为模型

继续将修整过的模型应用于客户及其购买的产品描述。

清单 10. 将修整过的模型应用于我们的客户及其产品描述

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，计算准确性，看看您可以多频繁地分析购物者。

清单 11. 计算准确性

   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认描述数据，结果应该是 95％。如果这是真实的数据，那么这是一个相当不错的准确率。

---

扩展模型

现在，我们已经构建和测试了模型，可以把它应用于数以百万计的客户个人资料。您可以使用 MapReduce 框架，并将修整后的行为分析器发送到工作节点。然后，每个工作节点都会得到一批客户个人资料及其购买历史，并应用模型。保存结果。此时，模型已被应用，您的客户被分配为一个行为描述。您可以在很多方面使用该行为描述分配任务。例如，您可能决定用定制的促销活动来定位目标客户，或者使用行为描述作为产品推荐系统的输入。