聊天机器人之文本聚类分析

文本聚类

文本聚类(Text Clustering)，是依据同类文档的相似度较大，而不同类的文档相似度较小的原则，使用无监督的机器学习方法，将同类文档从目标语料库聚集到一簇的任务。聚类不需要训练过程，也不需要预先对文档进行手工标注类别，因此具有一定的灵活性和较高的自动化处理能力，是对文本信息进行有效的组织、摘要和导航的重要手段。

使用场景：

• 自动文摘
• 优化搜索引擎结果
• 文档集合自动整理
• 改善文本分类
• 知识图谱语料处理
• 优化知识库，分析历史数据
• 增强聊天机器人知识库检索能力
• 发现新业务、新意图
• 提升数据标注效率

总之，任何机器学习的问题，都可以视为分类问题，而分类问题的对立就是聚类，如果可以实现美好的无监督聚类算法，可以说是巨大的飞跃。分析聚类问题就是寻找上帝造物的秘密。

聚类算法

常见的聚类算法包括：Affinity propagation, K-means, Chinese Whispers。

Affinity propagation

算法概述

Affinity propagation 简称AP算法，AP算法的基本思想是将全部样本看作网络的节点，然后通过网络中各条边的消息传递计算出各样本的聚类中心。聚类过程中，共有两种消息在各节点间传递，分别是吸引度( Responsibility)和归属度(Availability)。AP算法通过迭代过程不断更新每一个点的吸引度和归属度值，直到产生m个高质量的Exemplar（类似于质心），同时将其余的数据点分配到相应的聚类中。

在AP算法中有一些特殊名词：

Exemplar：指的是聚类中心，K-Means中的质心。

Similarity：数据点 $i$和点 $j$的相似度记为 $s(i,j)$，是指点 $j$作为点 $i$ 的聚类中心的相似度。一般使用欧氏距离来计算，一般点与点的相似度值全部取为负值；因此，相似度值越大说明点与点的距离越近，便于后面的比较计算。

Preference：数据点 $i$的参考度称为 $p(i)$或 $s(i,i)$，是指点 $i$作为聚类中心的参考度。一般取 $s$相似度值的中值。

Responsibility： $r(i,k)$ 用来描述点 $k$ 适合作为数据点 $i$的聚类中心的程度。

Availability： $a(i,k)$ 用来描述点 $i$选择点 $k$作为其聚类中心的适合程度。

Damping factor (阻尼系数)：主要是起收敛作用的。

在实际计算应用中，最重要的两个参数是Preference和Damping factor。前者定了聚类数量的多少，值越大聚类数量越多；后者控制算法收敛效果。这两个值需要手动指定。

特点

[1] 与众多聚类算法不同，AP聚类不需要指定描述聚类个数的参数。

[2] 一个聚类中最具代表性的点在AP算法中叫做Examplar，与其他算法中的聚类中心不同，examplar是原始数据中确切存在的一个数据点，而不是由多个数据点求平均而得到的聚类中心(K-Means)。

[3] 多次执行AP聚类算法，得到的结果是完全一样的，即不需要进行随机选取初值步骤。

[4] 算法复杂度较高 $O(N \times N \times \log_2(N))$，为 ，而K-Means只是 $O(N \times K)$ 的复杂度。因此当N比较大时 $(N > 300)$，AP聚类算法往往需要算很久。

[5] 若以误差平方和来衡量算法间的优劣，AP聚类比其他方法的误差平方和都要低。无论k-center clustering重复多少次，都达不到AP那么低的误差平方和。

[6] AP通过输入相似度矩阵来启动算法，因此允许数据呈非欧拉分布，也允许非常规的“点-点”距离度量方法。

K-means

算法概述

K-means算法也被成为K均值算法，它的计算过程如下：

[1] 从所有文档中随机取K个元素，作为k个簇的各自的中心。

[2] 分别计算剩下的元素到K个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

[3] 根据聚类结果，重新计算K个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

[4] 将文档中全部元素按照新的中心重新聚类。

[5] 重复第4步，直到聚类结果不再变化。

[6] 将结果输出。

特点

[1] 可以按照给定的簇的数量进行聚类，在预先知道聚簇数量时，是相对可伸缩和高效的。

[2] 计算速度快，时间复杂度为 $O(N \times K)$。

K-means的主要缺点是要预先设定聚类数量，如果在聚类数据中存在“噪声”，即明显的孤立点数据，会对结果产生极大影响。

Chinese Whispers

算法概述

Chinese Whispers算法基于图进行聚类，它的计算过程如下：

[1] 构建无向图，将每个文档作为无向图中的一个节点，文档之间的相似度作为节点之间的边，设定一个阀值，如果文档之间的相似度小于这个阀值，就不建立边。

[2] 初始化，为每个节点设定一个“类”属性，并且值初始化为该文档的标识ID。

[3] 开始迭代，随机选取某个节点，对该节点进行下面的处理：

• a. 遍历所有邻居，寻找边的权重最大的邻居，并且这个邻居节点的类设置为该节点的类。

• b. 如果经过第1次迭代，有可能出现多个邻居属于同一个类，那么就讲同一个类的邻居权重累加，最后，看哪个类的权重大，则设置为当前节点的类。

[4] 当所有节点都完成[3]，就完成了一次迭代，重复多次迭代。

特点

Chinese Whispers算法具有计算速度快，需要设置的参数少的特点，比较适合通用文本的聚类任务。

选择算法

经过算法层面的分析和实际使用的经验，Chinese Whispers更符合预期的目标：较少而且灵活的参数，计算速度快。

计算过程优化

在Chinese Whisper算法中，建立图的过程涉及到给每个节点建立邻居节点，使用两种召回方案，然后将结果合并，作为同一聚簇的候选。

倒排索引保证了召回到最匹配的若干文档，KDTree则是建立从向量空间召回到语义距离“最近”的文档。然后将二者结果合并，最后计算这些候选项与当前文档的相似度，这里会设定一个阀值，根据聚类任务的需要设定便可，比如0.4为宽泛的相等，0.7以上为基本相等。0.9则为相等。

聚类API设计

聚类任务通常用于处理大量文本的聚类工作。当数据量超过1w时，就会变成长时任务，比如，客户每天会产生1w的日志，每天都会进行聚类分析，那么就需要支持异步处理。同时，每个聚类都有其明显特点，需要在返回结果中，返回这个聚簇的关键词。另外，不同部门数据也要同时处理，所以，还需要支持同时处理多个聚类任务。

基于以上需求，聚类API包括：

1）提交聚类任务；

2）查询聚类任务执行状态；

3）取回聚类任务执行结果。

参考资料

AP(affinity propagation)聚类算法

CW聚类算法原理 – 译自《Chinese Whispers》论文

中文近义词：聊天机器人，智能问答工具包