Skip to main content

11.3.2 传统文本分类

传统文本分类基线图

读图提示

传统文本分类最适合先按“文本清洗 -> 特征表示 -> 线性分类器 -> 错误分析”理解。它不是过时内容，而是很多文本项目最稳、最快、最容易解释的第一条基线。

本节定位

做文本分类时，很多人会本能地想：

  • 直接上大模型

但在大量真实业务里，传统方法仍然有非常高的实用价值，尤其是：

  • 数据量不大
  • 标签较清楚
  • 需要快速、便宜、可解释基线

所以这节课的重点不是怀旧，而是建立一个很实用的判断：

什么时候传统文本分类已经够好，甚至是更好的第一步。

学习目标​

  • 理解词袋与 TF-IDF 的基本直觉
  • 理解线性分类器在文本任务里为什么经常表现不错
  • 通过可运行示例掌握传统文本分类最小流程
  • 建立“传统方法是强基线而不是过时方案”的判断

先建立一张地图​

传统文本分类更适合按“文本怎么变成特征，再怎么进入分类器”来理解：

所以这节真正想解决的是：

  • 为什么这条路线在很多真实任务里已经够强
  • 为什么它很适合作为第一版 baseline

一、传统文本分类在做什么？​

先把文本变成特征，再把特征喂给分类器​

典型流程是：

  1. 文本预处理
  2. 词袋 / TF-IDF 向量化
  3. 线性模型或朴素贝叶斯分类

也就是说，它不是端到端深度模型， 而是显式的“特征工程 + 分类器”。

为什么这条路能工作？​

因为在很多文本任务里， 单词和短语本身就已经有很强区分度。

例如：

  • “退款”
  • “证书”
  • “密码”

这些词本来就能强烈暗示类别。

一个类比​

传统文本分类很像人工整理线索卡片。 你先把关键词线索提出来，再让分类器根据这些线索判断。

一个更适合新人的总类比​

你也可以把它理解成：

  • 先给每条文本做一张“关键词清单”，再让分类器按清单打分

这就是为什么它在这些任务里会特别顺手：

  • 类别边界清楚
  • 关键词本身就很有区分度

二、词袋和 TF-IDF 分别在做什么？​

词袋模型​

最简单的想法是：

  • 统计每个词出现了多少次

它不太关心词序， 更关心：

  • 这个词有没有出现
  • 出现得多不多

TF-IDF​

它在词袋基础上更进一步：

  • 在当前文本里常出现的词更重要
  • 但如果某词在所有文本里都很常见，它的重要性会下降

这有助于减少：

  • “的”“是”这类高频但区分度弱的词

为什么它在文本分类里常常有效？​

因为很多类别区分，本来就依赖：

  • 哪些词更有代表性

一个很适合初学者先记的选择表​

现象更稳的第一反应
文本短、关键词很明显先试传统方法
数据不大先试传统方法
很在意可解释性和成本先试传统方法
很依赖上下文和否定关系再考虑深度模型

这个表很适合新人，因为它会把“什么时候传统方法够好”直接变成可判断的问题。

三、先跑一个传统文本分类最小示例​

下面这个例子会用：

  • CountVectorizer
  • LogisticRegression

做一个客服意图分类最小系统。

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline

texts = [
    "退款多久到账",
    "怎么申请退款",
    "发票什么时候可以开",
    "电子发票发到哪里",
    "忘记密码怎么办",
    "密码重置入口在哪",
]

labels = [
    "refund",
    "refund",
    "invoice",
    "invoice",
    "password",
    "password",
]

clf = make_pipeline(
    CountVectorizer(analyzer="char"),
    LogisticRegression(max_iter=200),
)

clf.fit(texts, labels)
pred = clf.predict(["退款怎么处理", "电子发票什么时候开"])
print(pred.tolist())

预期输出：

['refund', 'invoice']

这里用 analyzer="char" 是为了让中文示例不依赖额外分词库。第一句包含更多退款相关字，第二句包含更多发票相关字，所以这个 baseline 能先给出可解释结果。

这段代码最关键的地方在哪？​

有两处：

  1. CountVectorizer 文本先变成可计算特征
  2. LogisticRegression 再根据这些特征做分类

为什么这已经是很像真实系统的最小骨架？​

因为很多线上轻量分类器本质上就是：

  • 一个向量化器
  • 一个轻量分类器

它们的部署和维护成本都相对很低。

再看一个最小“换 TF-IDF”示例​

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression

texts = [
    "退款多久到账",
    "怎么申请退款",
    "发票什么时候可以开",
    "电子发票发到哪里",
    "忘记密码怎么办",
    "密码重置入口在哪",
]

labels = [
    "refund",
    "refund",
    "invoice",
    "invoice",
    "password",
    "password",
]

clf_tfidf = make_pipeline(
    TfidfVectorizer(analyzer="char"),
    LogisticRegression(max_iter=200),
)

clf_tfidf.fit(texts, labels)
print(clf_tfidf.predict(["密码找回入口在哪"]).tolist())

预期输出：

['password']

TF-IDF 会降低过于常见的字的影响，让 密码、入口 这类更有区分度的特征更明显。

这个例子很适合初学者，因为它会提醒你：

  • 传统方法里也有不同特征表示
  • baseline 不是只能有一种写法

四、为什么传统方法常常是好基线？​

训练快​

你可以很快得到第一版结果。

调试容易​

如果分类错了，你更容易追：

  • 是哪些词触发了判断
  • 特征是不是提错了

小数据时常常并不差​

特别在标签定义清楚、文本较短的任务里， 传统方法经常比大家预想得更强。

第一次做文本分类项目时，最稳的默认顺序​

更稳的顺序通常是：

  1. 先做词袋或 TF-IDF baseline
  2. 先看最容易错的类别
  3. 再决定是否真的需要上深度模型

这样会比一开始就直接上更重的模型更容易看清问题。

五、什么时候传统方法开始不够？​

需要更复杂语义理解时​

例如：

  • 否定关系
  • 长距离依赖
  • 语境细微差异

词序特别重要时​

因为词袋类方法对顺序不敏感。

多义表达和隐含语义较多时​

这时通常更需要：

  • 上下文化表示
  • 深度模型

六、最常见误区​

误区一：传统文本分类已经没必要学​

不对。 它在很多业务里仍然是非常实用的起点。

误区二：准确率不如最强模型就没价值​

真实工程里还要看：

  • 成本
  • 延迟
  • 可解释性

误区三：词袋方法什么都不懂​

虽然它不懂深语义， 但很多任务本来就不需要那么复杂。

如果把它做成项目或笔记，最值得展示什么​

最值得展示的通常不是：

  • “我用了 CountVectorizer”

而是：

  1. baseline 是什么
  2. 为什么这个任务适合先用传统方法
  3. 错误主要集中在哪类文本
  4. 什么时候你判断该升级到更复杂模型

这样别人会更容易看出：

  • 你理解的是 baseline 选择逻辑
  • 不只是会调用 sklearn

小结​

这节最重要的是建立一个工程判断：

传统文本分类并不是“老办法”，而是很多中小数据任务里训练快、成本低、可解释性强的强基线。

只要这层判断在，你以后做文本分类项目时就不会一上来只剩“大模型”这一条路。

练习​

  1. 把示例里的 CountVectorizer 换成 TfidfVectorizer，看看效果有什么可能变化。
  2. 自己加一个新类别，例如 shipping，扩展训练集再试。
  3. 为什么说传统文本分类在一些任务里是“更好的第一步”？
  4. 如果任务里大量依赖词序和上下文，你还会优先用词袋方法吗？为什么？