本文由 伯樂在線 - 東狗 翻譯，toolate 校稿。未經(jīng)許可，禁止轉(zhuǎn)載！
英文出處：blog.dominodatalab.com。歡迎加入翻譯小組。

本文介紹一個(gè)將911襲擊及后續(xù)影響相關(guān)新聞文章的主題可視化的項(xiàng)目。我將介紹我的出發(fā)點(diǎn)，實(shí)現(xiàn)的技術(shù)細(xì)節(jié)和我對一些結(jié)果的思考。

簡介

近代美國歷史上再?zèng)]有比911襲擊影響更深遠(yuǎn)的事件了，它的影響在未來還會(huì)持續(xù)。從事件發(fā)生到現(xiàn)在，成千上萬主題各異的文章付梓。我們怎樣能利用數(shù)據(jù)科學(xué)的工具來探索這些主題，并且追蹤它們隨著時(shí)間的變化呢？

靈感

首先提出這個(gè)問題的是一家叫做Local PRojects的公司，有人委任它們?yōu)榧~約的國家911博物館設(shè)置一個(gè)展覽。他們的展覽，Timescape，將事件的主題和文章可視化之后投影到博物館的一面墻上。不幸的是，由于考慮到官僚主義的干預(yù)和現(xiàn)代人的三分鐘熱度，這個(gè)展覽只能展現(xiàn)很多主題，快速循環(huán)播放。Timescape的設(shè)計(jì)給了我啟發(fā)，但是我想試著更深入、更有交互性，讓每個(gè)能接入互聯(lián)網(wǎng)的人都能在空閑時(shí)觀看。

這個(gè)問題的關(guān)鍵是怎么講故事。每篇文章都有不同的講故事角度，但是有線索通過詞句將它們聯(lián)系到一起。”Osama bin Laden”、 “Guantanamo Bay”、”Freedom”，還有更多詞匯組成了我模型的磚瓦。

獲取數(shù)據(jù)

所有來源當(dāng)中，沒有一個(gè)比紐約時(shí)報(bào)更適合講述911的故事了。他們還有一個(gè)神奇的API，允許在數(shù)據(jù)庫中查詢關(guān)于某一主題的全部文章。我用這個(gè)API和其他一些Python網(wǎng)絡(luò)爬蟲以及NLP工具構(gòu)建了我的數(shù)據(jù)集。

爬取過程是如下這樣的：

1. 調(diào)用API查詢新聞的元數(shù)據(jù)，包括每篇文章的URL。
2. 給每個(gè)URL發(fā)送GET請求，找到HTML中的正文文本，提取出來。
3. 清理文章文本，去除停用詞和標(biāo)點(diǎn)

我寫了一個(gè)Python腳本自動(dòng)做這些事，并能夠構(gòu)建一個(gè)有成千上萬文章的數(shù)據(jù)集。也許這個(gè)過程中最有挑戰(zhàn)性的部分是寫一個(gè)從HTML文檔里提取正文的函數(shù)。近幾十年來，紐約時(shí)報(bào)不時(shí)也更改了他們HTML文檔的結(jié)構(gòu)，所以這個(gè)抽取函數(shù)取決于笨重的嵌套條件語句：

文檔向量化

在我們應(yīng)用機(jī)器學(xué)習(xí)算法之前，我們要將文檔向量化。感謝scikit-learn的IT-IDF Vectorizer模塊，這很容易。只考慮單個(gè)詞是不夠的，因?yàn)槲业臄?shù)據(jù)集里并不缺一些重要的名字。所以我選擇使用n-grams，n取了1到3。讓人高興的是，實(shí)現(xiàn)多個(gè)n-gram和實(shí)現(xiàn)單獨(dú)關(guān)鍵詞一樣簡單，只需要簡單地設(shè)置一下Vectorizer的參數(shù)。

開始的模型里，我設(shè)置max_features（向量模型里詞或詞組的最大數(shù)量）參數(shù)為20000或30000，在我計(jì)算機(jī)的計(jì)算能力之內(nèi)。但是考慮到我還加入了2-gram和3-gram，這些組合會(huì)導(dǎo)致特征數(shù)量的爆炸（這里面很多特征也很重要），在我的最終模型里我會(huì)提高這個(gè)數(shù)字。

用NMF做主題模型

非負(fù)矩陣分解（Non-negative Matrix Factorization，或者叫NMF），是一個(gè)線性代數(shù)優(yōu)化算法。它最具魔力的地方在于不用任何闡釋含義的先驗(yàn)知識(shí)，它就能提取出關(guān)于主題的有意義的信息。數(shù)學(xué)上它的目標(biāo)是將一個(gè)nxm的輸入矩陣分解成兩個(gè)矩陣，稱為W和H，W是nxt的文檔-主題矩陣，H是txm的主題-詞語矩陣。你可以發(fā)現(xiàn)W和H的點(diǎn)積與輸入矩陣形狀一樣。實(shí)際上，模型試圖構(gòu)建W和H，使得他們的點(diǎn)積是輸入矩陣的一個(gè)近似。這個(gè)算法的另一個(gè)優(yōu)點(diǎn)在于，用戶可以自主選擇變量t的值，代表生成主題的數(shù)量。

再一次地，我把這個(gè)重要的任務(wù)交給了scikit-learn，它的NMF模塊足夠處理這個(gè)任務(wù)。如果我在這個(gè)項(xiàng)目上投入更多時(shí)間，我也許會(huì)找一些更高效的NMF實(shí)現(xiàn)方法，畢竟它是這個(gè)項(xiàng)目里最復(fù)雜耗時(shí)的過程。實(shí)現(xiàn)過程中我產(chǎn)生了一個(gè)主意，但沒實(shí)現(xiàn)它，是一個(gè)熱啟動(dòng)的問題。那樣可以讓用戶用一些特定的詞來填充H矩陣的行，從而在形成主題的過程中給系統(tǒng)一些領(lǐng)域知識(shí)。不管怎么樣，我只有幾周時(shí)間完成整個(gè)項(xiàng)目。還有很多其他的事需要我更多的精力。

主題模型的參數(shù)

因?yàn)橹黝}模型是整個(gè)項(xiàng)目的基石，我在構(gòu)建過程中做的決定對最終成果有很大影響。我決定輸入模型的文章為911事件發(fā)生18個(gè)月以后的。在這個(gè)時(shí)間段喧囂不再，所以這段時(shí)間出現(xiàn)的主題的確是911事件的直接結(jié)果。在向量化的階段，開始幾次運(yùn)行的規(guī)模受限于我的計(jì)算機(jī)。20或者30個(gè)主題的結(jié)果還不錯(cuò)，但是我想要包含更多結(jié)果的更大模型。

我最終的模型使用了100000個(gè)向量詞匯和大約15000篇文章。我設(shè)置了200個(gè)主題，所以NMF算法需要處理15000×100000, 15000×200和200×100000規(guī)模的矩陣。逐漸變換后兩個(gè)矩陣來擬合第一個(gè)矩陣。

完成模型

最終模型矩陣完成之后，我查看每個(gè)主題并檢查關(guān)鍵詞（那些在主題-詞語矩陣?yán)镉凶罡吒怕手档模Ｎ医o每個(gè)主題一個(gè)特定的名字（在可視化當(dāng)中可以用），并決定是否保留這個(gè)主題。一些主題由于和中心話題無關(guān)被刪除了（例如本地體育）；還有一些太寬泛（關(guān)于股票市場或者政治的主題）；還有一些太特定了，很可能是NMF算法的誤差（一系列來源于同一篇文章中的有關(guān)聯(lián)的3-grams）

這個(gè)過程之后我有了75個(gè)明確和相關(guān)的主題，每個(gè)都根據(jù)內(nèi)容進(jìn)行命名了。

分析

主題模型訓(xùn)練好之后，算出給定文章的不同主題的權(quán)重就很容易了：

1. 使用存儲(chǔ)的TF-IDF模型將文章文本向量化。
2. 算出這個(gè)向量和精簡過的NMF主題-詞語矩陣的點(diǎn)積。（1x100k * 100k x 75 = 1 x 75 ）
3. 結(jié)果向量的75個(gè)維度表示這篇文章和75個(gè)主題有多相關(guān)。

更難的部分在于決定怎么把這些權(quán)重變成一個(gè)能講故事的可視化的形式。如果我只是簡單地將一段時(shí)期全部文章的話題權(quán)重加起來，這個(gè)分布應(yīng)該是一個(gè)關(guān)于那段時(shí)間中每個(gè)主題出現(xiàn)頻率的準(zhǔn)確表達(dá)。但是，這個(gè)分布的組成部分對人類來說毫無意義。換種方式想，如果我對每個(gè)主題做一個(gè)二分分類，我就能算出一段時(shí)間內(nèi)和一個(gè)主題相關(guān)的文章百分?jǐn)?shù)。我選擇了這個(gè)方法因?yàn)樗苷f明問題。

話題二分分類也有難度，尤其是這么多文章和話題的情況下。一些文章在很多主題下都有更高的權(quán)重，因?yàn)樗麄儽容^長并且包含的關(guān)鍵詞出現(xiàn)在不同主題里。其他一些文章在大多主題下權(quán)重都很低，即使人工判斷都能發(fā)現(xiàn)它的確和某些主題相關(guān)。這些差別決定了固定權(quán)重閾值不是一個(gè)好的分類方法；一些文章屬于很多主題而一些文章不屬于任何主題。我決定將每篇文章分類到權(quán)重最高的三個(gè)主題下。盡管這個(gè)方法不完美，它還是能提供一個(gè)很好的平衡來解決我們主題模型的一些問題。

可視化

盡管數(shù)據(jù)獲取，主題模型和分析階段對這個(gè)項(xiàng)目都很重要，它們都是為最終可視化服務(wù)的。我努力平衡視覺吸引力和用戶交互，讓用戶可以不需指導(dǎo)地探索和理解主題的趨勢。我開始的圖使用的是堆疊的區(qū)塊，后來我意識(shí)到簡單的線畫出來就足夠和清晰了。

我使用d3.js來做可視化，它對本項(xiàng)目數(shù)據(jù)驅(qū)動(dòng)的模式來說正合適。數(shù)據(jù)本身被傳到了網(wǎng)頁上，通過一個(gè)包含主題趨勢數(shù)據(jù)的CSV文件和兩個(gè)包含主題和文章元數(shù)據(jù)的JSON文件。盡管我不是前端開發(fā)的專家，我還是成功地通過一周的課程學(xué)習(xí)了足夠的d3，html和CSS知識(shí)，來構(gòu)建一個(gè)令人滿意的可視化頁面。

一些有趣的主題

• 炭疽熱 – 911以后，恐慌情緒籠罩全國。幸運(yùn)的是，大部分恐慌都是多慮了。2001年晚期的炭疽熱恐慌是一個(gè)沒有什么后續(xù)影響的孤立事件，如圖中清晰可見。

• 奧薩瑪本拉登，基地組織，托拉博拉 – 所有主題中關(guān)注的峰值發(fā)生在本拉登2011年在阿伯塔巴德被打死之后。這個(gè)話題組合值得注意，因?yàn)樗宫F(xiàn)了911事件后媒體關(guān)注的演進(jìn)：最開始，本拉登獲得了很多關(guān)注。不久后，托拉博拉話題變得突出，因?yàn)橥欣├且伤票纠堑牟厣淼攸c(diǎn)和美軍的關(guān)注重點(diǎn)。當(dāng)本拉登逃脫了追捕，這兩個(gè)話題的關(guān)注下降，而更寬泛的基地組織話題有些提升。近幾年每個(gè)話題的逐漸提升說明了它們的關(guān)聯(lián)性。盡管沒有顯著提升，它們相對的關(guān)注度還是在其他話題安靜時(shí)有所提升。

我學(xué)到了什么

盡管我提出這個(gè)項(xiàng)目的時(shí)候就對主題模型和數(shù)據(jù)處理中的各個(gè)組分有了解，這個(gè)項(xiàng)目的真正意義在于它（再次）講出的故事。911事件的本質(zhì)是消極的，但是也有許多積極的故事：許多英雄救了很多人，社區(qū)融合，以及重建。

不幸的是，在我主題模型中展現(xiàn)出來這樣的媒體環(huán)境：關(guān)注負(fù)能量、反派和破壞。當(dāng)然，單獨(dú)的一些英雄在一兩篇文章中被贊揚(yáng)了，但是沒有一個(gè)足夠廣來形成一個(gè)主題。另一方面，像奧薩瑪·本拉登和卡利亞·穆薩維這樣的反派在很多文章中被提及。即使是理查德·里德，一個(gè)笨手笨腳的（試圖）穿炸彈鞋炸飛機(jī)的人，都比一些成功的英雄有更持久的媒體影響（一個(gè)補(bǔ)充：注重詞匯的主題模型的一個(gè)缺點(diǎn)就是，像Reid這樣普通的名字會(huì)導(dǎo)致談?wù)摬煌宋锏奈恼卤痪奂揭黄稹Ｔ谶@個(gè)例子里，哈利·里德和理查德·里德）。