面向中文菜譜工藝的文本分類研究

孫惠 藍(lán)雯飛

摘? 要：針對菜譜工藝標(biāo)簽標(biāo)注的需求隨著網(wǎng)絡(luò)平臺(tái)上中文菜譜數(shù)量增多而不斷增加，使用機(jī)器學(xué)習(xí)搭建了文本分類模型，實(shí)現(xiàn)了工藝標(biāo)簽的自動(dòng)標(biāo)注。該模型使用TF-IDF、TextRank兩種方法進(jìn)行特征降維，與常見的三種機(jī)器學(xué)習(xí)分類器樸素貝葉斯（NB）、邏輯回歸（LR）、支持向量機(jī)（SVM）進(jìn)行組合，組成了6種模型。獲取網(wǎng)絡(luò)上的中文菜譜整理成實(shí)驗(yàn)數(shù)據(jù)集，通過實(shí)驗(yàn)驗(yàn)證了所提模型的有效性，為菜譜工藝標(biāo)簽的自動(dòng)生成提供了可行的解決途徑。

關(guān)鍵詞：中文菜譜; 機(jī)器學(xué)習(xí);文本分類; 特征降維;分類器

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）21-0079-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

隨著大數(shù)據(jù)和計(jì)算機(jī)性能的不斷提升，機(jī)器學(xué)習(xí)已經(jīng)廣泛應(yīng)用于數(shù)據(jù)挖掘、搜索引擎、電子商務(wù)、自動(dòng)駕駛、量化投資、自然語言處理、計(jì)算機(jī)視覺等。若要人工處理互聯(lián)網(wǎng)海量的信息文本，將會(huì)費(fèi)時(shí)費(fèi)力，且分類結(jié)果穩(wěn)定性差。應(yīng)用機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)文本內(nèi)容的自動(dòng)化標(biāo)記分類，是大數(shù)據(jù)信息時(shí)代的必然選擇。

如今文本分類已經(jīng)應(yīng)用于多個(gè)領(lǐng)域，涉及新聞、醫(yī)療、司法、林業(yè)等各個(gè)領(lǐng)域。在新聞文本的分類中，由于數(shù)據(jù)集的充分，如今的分類效果已經(jīng)高達(dá)0.93的精確率[1];在醫(yī)療文本分類中，分類效果達(dá)到0.86的精確率[2];在司法文書文本分類中，各項(xiàng)分類預(yù)測任務(wù)也高達(dá)0.77的精確率[3];在林業(yè)文本分類中，也實(shí)現(xiàn)了0.92準(zhǔn)確率[4]。

菜譜文本發(fā)源于歷史上不同時(shí)期各種方式的“菜品”記錄，早在《詩經(jīng)》《尚書》《左傳》等先秦元典中已有零散資訊，是中華飲食文化重要的承載者[5]。目前，在食譜菜譜文本領(lǐng)域的文本分類研究尚不如其他領(lǐng)域充分。近年來，隨著中國在線食譜網(wǎng)站及應(yīng)用的不斷發(fā)展，越來越多來自不同地區(qū)的用戶將他們制作的食譜分享到線上，為我們研究中文菜譜提供了豐富的數(shù)據(jù)資源。有的研究者將數(shù)據(jù)集進(jìn)行食譜成分多樣性分析、食譜特色成分分析、食譜復(fù)雜性分析、食譜相似系分析、食譜慣用輔料分析等多種數(shù)據(jù)分析研究[6]。還有研究者以中國菜品圖片作為研究對象，提出了基于雙線性模型的菜品識(shí)別方法[7]。

隨著時(shí)代的進(jìn)步，人們的不同特殊需求也開始顯露，人們不再局限于以前傳統(tǒng)思想的束縛，越來越多的新型需求開始顯現(xiàn)出來，同時(shí)，這些新型需求也對當(dāng)前的文本分類技術(shù)提出了挑戰(zhàn)[8]。因此，本文針對菜譜工藝的分類需求，以中文菜譜文本為研究對象，使用機(jī)器學(xué)習(xí)的方法構(gòu)建文本分類模型，以替代人工標(biāo)注、提高標(biāo)注效率。

1? 相關(guān)理論

1.1 文本分類的過程

文本分類是用計(jì)算機(jī)對文本數(shù)據(jù)集按照一定的分類器模型進(jìn)行自動(dòng)化分類標(biāo)記。文本分類的總體過程包括預(yù)處理、特征提取、分類器、測評等。文本分類實(shí)驗(yàn)的總流程如圖1所示。

（1）預(yù)處理：將原始語料格式化為統(tǒng)一格式，便于后續(xù)的統(tǒng)一處理。

（2）特征提?。簭奈臋n中抽取出反映文檔主題的特征。

（3）分類器：將實(shí)驗(yàn)數(shù)據(jù)放入分類器中進(jìn)行訓(xùn)練。

（4）測評：分類器的測試結(jié)果分析。

1.2評測指標(biāo)

文本分類采用分類任務(wù)常用的F1（F1-score）作為評測指標(biāo)，對每一個(gè)類別的分類結(jié)果，正確分入該類的樣本數(shù)量記作TP，錯(cuò)誤分入該類的樣本記作FP，本該分入該類卻錯(cuò)誤地分入其他類的樣本數(shù)量記為FN。則精確率P（Precision）、召回率R（Recall）和F1（F1-score）值的定義分別如式（1）、式（2）、式（3）所示。

[P=TPTP+FP]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （1）

[R=TPTP+FN] ，? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[F1=21P+1R=2×P×RP+R] ，? ? ? ? ? ? ? ? ? ? ? ? （3）

2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

實(shí)驗(yàn)軟件環(huán)境為 Window10（64位）操作系統(tǒng)，編程語言Python 3.6，機(jī)器學(xué)習(xí)框架 scikit-learn 0.21.2; 硬件環(huán)境為 Inter Core i7—7500U—2.7 GHz，8.0 GB 內(nèi)存。

本文基于數(shù)據(jù)挖掘技術(shù)，采集網(wǎng)站上中文菜譜文本數(shù)據(jù)，通過去重和去噪處理，篩選出 818條中文菜譜文本數(shù)據(jù)。根據(jù)烹飪工藝為分類標(biāo)簽進(jìn)行人工標(biāo)注，其中炒339、燉煮213、蒸141、拌67，烤 61，如下圖2所示。統(tǒng)計(jì)文本中字符的個(gè)數(shù)，如圖3所示，可以看出家常菜制作的文本有短文本（低于50個(gè)字符），也有長文本（高于400個(gè)字符），大于3/5的文本的字符數(shù)在50～200之間。經(jīng)過文本的預(yù)處理后，將文本統(tǒng)一存儲(chǔ)在csv文件中。圖4為數(shù)據(jù)的存儲(chǔ)格式，圖5為某個(gè)中文菜譜文本的文本內(nèi)容的樣本。

使用Jieba分詞在主要食材字段數(shù)據(jù)集中分析出各種食材詞匯的出現(xiàn)頻率，使用WorldCloud庫繪制詞云如圖6所示。在圖6中，食材詞匯越大，代表頻率越高，不難看出雞蛋、胡蘿卜、土豆、豆腐等頻率很高，是家常菜中的普遍使用的食材，與現(xiàn)實(shí)生活中人們生活需要相符。

3 分類模型

本研究使用兩種特征提取方法和三種分類器進(jìn)行6種模型的分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)構(gòu)框架如圖7所示。主要包含4個(gè)步驟：文本數(shù)據(jù)的爬取采集、特征提取、分類器、測評。

（1）首先是文本數(shù)據(jù)采集及篩選，使用爬蟲技術(shù)采集網(wǎng)頁中的文本數(shù)據(jù)，經(jīng)過文本的預(yù)處理后，將文本統(tǒng)一存儲(chǔ)在CSV文件中。

（2）在特征提取中，用到中文分詞技術(shù)、去停用詞及關(guān)鍵詞抽取的方法，最后將詞語轉(zhuǎn)化成數(shù)值矩陣。在分詞方法不同，與關(guān)鍵詞數(shù)不同時(shí)，特征提取的結(jié)果也會(huì)不同。圖8展示的文本樣本分別用Jieba庫經(jīng)行分詞處理以及去停用詞的效果圖。在文本關(guān)鍵詞提取中，本實(shí)驗(yàn)采取了TF-IDF 和TextRank的兩種方法進(jìn)行實(shí)驗(yàn)，以降低數(shù)據(jù)的緯度，以圖5所示樣本為例，圖9、圖10分別為兩種算法以關(guān)鍵詞為20，提取名詞和動(dòng)詞的效果圖。

（3）將詞語轉(zhuǎn)化為特征向量。以關(guān)鍵詞為20個(gè)名詞和動(dòng)詞為例，每一個(gè)文本轉(zhuǎn)換為一個(gè)空間向量。如圖11所示，將文本詞語轉(zhuǎn)化為空間向量。

（4）通過兩種不同的特征提取方法產(chǎn)生的數(shù)據(jù)都放入NA、LB、SVM三種中常見的機(jī)器學(xué)習(xí)分類算法中進(jìn)行訓(xùn)練，統(tǒng)計(jì)每個(gè)模型的Precision、Recall、F1-score對比觀察實(shí)驗(yàn)結(jié)果。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證不同算法在文本分類方面的性能，將中文菜譜文本數(shù)據(jù)集劃分為 10 份，任意 9 份作為訓(xùn)練集，剩余任意的 1 份作為測試集。對不同算法進(jìn)行10 次訓(xùn)練與測試，以實(shí)驗(yàn)結(jié)果的均值作為參考評估的依據(jù)。TF-IDF關(guān)鍵詞處理后的各算法性能如表1所示，TextRank關(guān)鍵詞抽取后的算法性能如表2所示。

實(shí)驗(yàn)結(jié)果表明：6種模型都基本實(shí)現(xiàn)了中文菜譜文本的工藝分類的任務(wù)，TextRank+NA模型的分類效果在對比試驗(yàn)中表現(xiàn)最佳。TextRank算法在關(guān)鍵詞抽取上更優(yōu)于TF-IDF算法，在3種分類器中，樸素貝葉斯分類器（NA）的分類效果最好。

4 結(jié)束語

基于機(jī)器學(xué)習(xí)的中文菜譜工藝文本分類模型，讓菜譜工藝標(biāo)簽實(shí)現(xiàn)自動(dòng)化分類標(biāo)注，提高了分類標(biāo)注的效率，適應(yīng)時(shí)代需求。在機(jī)器學(xué)習(xí)框架下，針對菜譜工藝的文本分類任務(wù)，TextRank+NA組合的模型的效果相對最理想。隨著網(wǎng)絡(luò)的菜譜文本不斷增加，中國菜譜文本的價(jià)值不容忽視，以文本分類模型代替人工標(biāo)注，有效推動(dòng)了飲食領(lǐng)域的現(xiàn)代化發(fā)展。

本文僅使用了3種典型的分類器，存在一定的局限性，后續(xù)可以用其他機(jī)器學(xué)習(xí)分類器或者深度學(xué)習(xí)網(wǎng)絡(luò)分類器進(jìn)行實(shí)驗(yàn)，更好的分類方法有待在未來提出。文本數(shù)據(jù)中的字符數(shù)量不同、關(guān)鍵詞之間的位置以及上下文間的語義對實(shí)驗(yàn)也有可能產(chǎn)生影響，后續(xù)可以繼續(xù)深入研究。

參考文獻(xiàn)：

[1] 張昱，劉開峰，張全新，等.基于組合-卷積神經(jīng)網(wǎng)絡(luò)的中文新聞文本分類[J].電子學(xué)報(bào)，2021，49（6）：1059-1067.

[2] 趙旸，張智雄，劉歡，等.基于BERT模型的中文醫(yī)學(xué)文獻(xiàn)分類研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，4（8）：41-49.

[3] 王文廣，陳運(yùn)文，蔡華，等.基于混合深度神經(jīng)網(wǎng)絡(luò)模型的司法文書智能化處理[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，59（7）：505-511.

[4] 崔曉暉，師棟瑜，陳志泊，等.基于Spark框架XGBoost的林業(yè)文本并行分類方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（6）：280-287.

[5] 趙榮光.“中華菜譜學(xué)”視閾下的“中國菜”——2018鄭州·向世界發(fā)布中國菜活動(dòng)主題演講[J].楚雄師范學(xué)院學(xué)報(bào)，2020，35（1）：1-5.

[6] 劉兆沛.基于中國在線食譜的探索式數(shù)據(jù)分析[D].天津：天津工業(yè)大學(xué)，2019.

[7] 段雪梅，朱明，鮑天龍.雙線性模型在中國菜分類中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng)，2019，40（5）：1050-1053.

[8] 徐萍.基于機(jī)器學(xué)習(xí)的文本分類技術(shù)研究進(jìn)展[J].電腦知識(shí)與技術(shù)，2021，17（30）：109-110.

【通聯(lián)編輯：唐一東】