1. 文本表示方法概述从词袋到语言模型嵌入在自然语言处理NLP任务中将文本转换为机器可理解的数值形式是构建有效模型的第一步。scikit-learn作为Python中最流行的机器学习库之一支持多种文本表示方法。本文将深入对比三种主流方法词袋模型Bag-of-Words、TF-IDF和基于大型语言模型LLM的嵌入表示。词袋模型是最基础的文本表示方法它将文本视为单词的无序集合通过统计每个单词在文档中出现的次数来构建特征向量。这种方法简单直观但完全忽略了单词顺序和语义信息。例如狗追猫和猫追狗在词袋表示中是完全相同的。TF-IDF词频-逆文档频率在词袋基础上进行了改进通过考虑单词在整个语料库中的分布情况来调整权重。TF-IDF的核心思想是一个单词如果在特定文档中频繁出现但在整个语料库中很少出现那么这个单词对该文档具有很好的区分能力。计算公式为TF-IDF(t,d) TF(t,d) × IDF(t) IDF(t) log(N/(df(t)1))其中N是文档总数df(t)是包含单词t的文档数量。LLM嵌入如Sentence Transformers生成的嵌入代表了最先进的文本表示方法。这些嵌入通过深度神经网络捕获单词和句子的上下文语义信息。例如使用all-MiniLM-L6-v2模型可以为每个文本生成384维的密集向量这些向量能够捕捉到银行在河岸和金融机构两种上下文中的不同含义。提示选择文本表示方法时应考虑数据集大小、任务复杂度和计算资源。对于小型、结构化的数据集如新闻分类简单方法可能就足够而对于复杂语义理解任务LLM嵌入通常表现更好。2. 实验设置与数据准备2.1 BBC新闻数据集分析我们使用BBC新闻数据集进行实验对比该数据集包含2225篇新闻文章分为5个类别商业、娱乐、政治、体育和科技。各类别分布均匀是一个典型的文本分类基准数据集。数据集加载和预处理代码如下import pandas as pd from sklearn.preprocessing import LabelEncoder from sklearn.model_selection import train_test_split # 加载数据集 url https://storage.googleapis.com/dataset-uploader/bbc/bbc-text.csv df pd.read_csv(url) # 查看数据概况 print(f文档总数: {len(df)}) print(f类别分布:\n{df[category].value_counts()}) # 准备文本和标签 texts df[text].tolist() le LabelEncoder() labels le.fit_transform(df[category]) # 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split( texts, labels, test_size0.2, random_state42, stratifylabels )2.2 三种文本表示生成我们使用scikit-learn和Sentence Transformers库生成三种文本表示词袋表示from sklearn.feature_extraction.text import CountVectorizer bow_vectorizer CountVectorizer(max_features5000, min_df2, stop_wordsenglish) X_bow_train bow_vectorizer.fit_transform(X_train) X_bow_test bow_vectorizer.transform(X_test)TF-IDF表示from sklearn.feature_extraction.text import TfidfVectorizer tfidf_vectorizer TfidfVectorizer(max_features5000, min_df2, stop_wordsenglish) X_tfidf_train tfidf_vectorizer.fit_transform(X_train) X_tfidf_test tfidf_vectorizer.transform(X_test)LLM嵌入表示from sentence_transformers import SentenceTransformer embedding_model SentenceTransformer(all-MiniLM-L6-v2) X_emb_train embedding_model.encode(X_train, show_progress_barTrue, batch_size32) X_emb_test embedding_model.encode(X_test, show_progress_barFalse, batch_size32)注意事项生成LLM嵌入时batch_size的设置对内存使用和速度有显著影响。较大的batch_size可以提高处理速度但会消耗更多内存。对于GPU环境通常32-64是不错的起点。3. 文本分类性能对比3.1 分类器选择与评估我们选择三种经典分类器进行对比逻辑回归简单高效的线性模型随机森林基于决策树的集成方法支持向量机(SVM)强大的分类器特别适合高维数据评估指标使用准确率(Accuracy)和F1分数加权平均同时记录训练时间。from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from sklearn.metrics import accuracy_score, f1_score import time classifiers { Logistic Regression: LogisticRegression(max_iter1000, random_state42), Random Forest: RandomForestClassifier(n_estimators100, random_state42), SVM: SVC(kernellinear, random_state42) } results [] for rep_name, (X_tr, X_te) in representations.items(): for clf_name, clf in classifiers.items(): start time.time() clf.fit(X_tr, y_train) train_time time.time() - start y_pred clf.predict(X_te) acc accuracy_score(y_test, y_pred) f1 f1_score(y_test, y_pred, averageweighted) results.append({ Representation: rep_name, Classifier: clf_name, Accuracy: acc, F1-Score: f1, Train Time: train_time })3.2 结果分析与讨论实验结果如下表所示表示方法分类器准确率F1分数训练时间(s)词袋(BoW)逻辑回归0.9820.9820.86词袋(BoW)随机森林0.9730.9732.20词袋(BoW)SVM0.9840.9842.02TF-IDF逻辑回归0.9840.9840.52TF-IDF随机森林0.9780.9771.79TF-IDFSVM0.9870.9872.99LLM嵌入逻辑回归0.9820.9820.27LLM嵌入随机森林0.9600.9595.21LLM嵌入SVM0.9800.9800.15关键发现TF-IDF SVM组合取得了最佳分类性能准确率0.987LLM嵌入 SVM训练速度最快0.15秒随机森林在所有表示方法上表现相对较差可能与新闻文本的高维特性有关LLM嵌入并未展现出预期的性能优势这与BBC新闻数据集的特点有关实操心得对于结构清晰、类别区分明显的文本分类任务如新闻分类TF-IDF等传统方法往往就能取得很好效果。LLM嵌入的优势在更复杂的语义理解任务中才会充分显现。4. 文档聚类性能对比4.1 聚类实验设置我们使用K-means算法K5与真实类别数一致对比三种表示方法在无监督聚类任务上的表现。评估指标包括轮廓系数(Silhouette Score)衡量聚类紧密度和分离度范围[-1,1]越大越好调整兰德指数(Adjusted Rand Index)衡量聚类与真实标签的一致性范围[-1,1]越大越好from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score, adjusted_rand_score representations_full { BoW: bow_vectorizer.fit_transform(texts), TF-IDF: tfidf_vectorizer.fit_transform(texts), LLM Embeddings: embedding_model.encode(texts, show_progress_barTrue) } clustering_results [] for rep_name, X in representations_full.items(): start time.time() kmeans KMeans(n_clusters5, random_state42, n_init10) clusters kmeans.fit_predict(X) cluster_time time.time() - start silhouette silhouette_score(X, clusters) ari adjusted_rand_score(labels, clusters) clustering_results.append({ Representation: rep_name, Silhouette: silhouette, ARI: ari, Time: cluster_time })4.2 聚类结果分析聚类性能对比表示方法轮廓系数调整兰德指数时间(s)词袋(BoW)0.1240.1021.19TF-IDF0.0160.6980.94LLM嵌入0.0660.8990.41有趣的现象LLM嵌入在调整兰德指数上表现最佳0.899表明其聚类结果与真实类别高度一致TF-IDF的轮廓系数最低但调整兰德指数较高说明其聚类结构虽然不够紧密但与真实类别对齐较好词袋模型在两项指标上表现都较差说明简单的词频统计难以捕捉文档的深层语义注意事项轮廓系数和调整兰德指数评估的是聚类的不同方面。选择指标时应根据实际需求如果关注聚类内部结构优先考虑轮廓系数如果需要与已知类别对比则调整兰德指数更合适。5. 方法选择建议与实用技巧5.1 如何选择文本表示方法根据实验结果和实际经验我们总结出以下选择指南词袋模型适用场景需要极简实现的基线模型对模型可解释性要求高的场景处理非常短的文本如推文、搜索查询TF-IDF推荐场景类别区分明显的文本分类如新闻分类、垃圾邮件检测计算资源有限的中小型数据集需要平衡性能和效率的通用场景LLM嵌入适用情况语义复杂的无监督任务如文档聚类多语言或含噪声的文本数据需要捕捉同义词和语义关系的场景5.2 性能优化技巧特征维度控制对于词袋和TF-IDF通过max_features参数限制特征数量通常5000-20000使用min_df/max_df过滤罕见/常见词预处理增强# 增强的文本预处理流水线示例 from sklearn.pipeline import Pipeline from sklearn.feature_extraction.text import TfidfVectorizer from nltk.stem import PorterStemmer from nltk.tokenize import word_tokenize import re import nltk nltk.download(punkt) class TextPreprocessor: def __init__(self): self.stemmer PorterStemmer() def __call__(self, doc): # 移除非字母字符 doc re.sub(r[^a-zA-Z\s], , doc) # 分词并词干化 tokens word_tokenize(doc.lower()) return .join([self.stemmer.stem(t) for t in tokens]) pipeline Pipeline([ (preprocess, TextPreprocessor()), (tfidf, TfidfVectorizer(max_features10000, min_df3)) ])LLM嵌入使用建议尝试不同的预训练模型如all-mpnet-base-v2更大但性能更好对于长文档考虑分段编码后聚合使用GPU加速可以显著提高编码速度5.3 常见问题排查内存不足错误症状处理大型数据集时出现MemoryError解决方案对词袋/TF-IDF使用稀疏矩阵scipy.sparse减小batch_sizeLLM嵌入使用HashingVectorizer替代CountVectorizer模型性能低于预期检查点文本清洗是否充分停用词处理是否合适特征维度是否合理尝试不同的文本规范化方法词干化vs词形还原LLM嵌入效果不佳可能原因领域不匹配通用模型不适合专业领域解决方案考虑领域自适应或微调预训练模型在实际项目中我通常采用这样的工作流程先用TF-IDF建立基线模型评估其性能如果效果不理想再尝试LLM嵌入等更复杂的方法。这种渐进式的方法可以在投入大量资源前快速验证思路的有效性。