検索キーワードを python sklearn LinearSVC でクラス分類してカテゴリ分けする

Google Search Console の キーワードを python で クラス分類してカテゴリ分けしてみた結果を記載します。
学習データに依るのかとは思いますが、Google Search Console の キーワードを python でクラスタリングする。 | Monotalk に続き、 カテゴリ分けの足がかりの部分はできた感はあります。¹
[1].やはり実務に役立つかは謎です。。

前提

• 入力データ Search Analytics for Sheets - Google スプレッドシート アドオン で、データをGoogle スプレッドシートに Export。
  Export 後のスプレッドシートをCSV化したデータを入力データとしています。
  Search Analytics for Sheets - Google スプレッドシート アドオン　の使い方は、
  サーチコンソールの詳細データをGoogleスプレッドシートに自動反映させてTableauにインポートする方法 :: 「清水 誠」公式サイト
  が参考になりました。

• 学習データ
  入力データの一部のキーワードを切り出し、別シートに貼り付け、人力で800キーワードくらいを分類しました。
  それを、tsv 出力したものを学習データとしています。
  以下、学習データとして作成したtsv を一部抜粋しテーブル形式に変換したものを記載します。

クラス分類の手順

以下の通り、処理を組みました。
クラスタリングには、sklearn の LinearSVC を使います。

1. Google スプレッドシートの学習データをTSVにして読み込み、キーワードを抽出。

2. サーチコンソールからの取得結果のGoogle スプレッドシートをCSV にして読み込み、キーワードを抽出。

3. 学習データと、サーチコンソールからの取得結果のキーワードをマージ、キーワード内の単語の出現頻度を数えて、結果を素性ベクトル化する。
   ²
   [2]キーワードをマージは、サーチコンソールからの取得結果のキーワードは時間が経つと変わっていく(増えていく)ため、
   素性ベクトル作成時に、次元数を揃える?ために実施しています。(実際いらないのかもしれませんがたぶん必要)

4. LinearSVC で学習

5. CSV をクラス分類して、スコアを取得、確からしさが低いデータについては、分類結果のラベルは付与せず、unknown ラベルに置換

6. 結果をCSVに書き出し、Google スプレッドシートにインポートし、グラフ表示

各種ライブラリのインストール

必要なライブラリをインストールします。

pip install sklearn numpy scipy pandas

以下のversionが、インストールされました。

pip list | grep -e sklearn  -e numpy -e scipy -e pandas
---------------------------
numpy (1.12.1)
pandas (0.20.1)
scipy (0.19.0)
sklearn (0.0)
---------------------------

実装

以下、作ったpython プログラムになります。

search_console_svm_classsifier.py

以下、記事を参考に作成しました。
3.6. scikit-learn: Python での機械学習 — Scipy lecture notes pythonの機械学習ライブラリscikit-learnの紹介 - 唯物是真 @Scaled_Wurm

• search_console_svm_classsifier.py

  # -*- coding: utf-8 -
  from __future__ import print_function
  
  import sys
  
  import numpy as np
  import pandas as pd
  from sets import Set
  from sklearn import svm
  from sklearn.feature_extraction.text import CountVectorizer
  
  stop_words = Set(['name', 'not', 'the', 'usr', 'you', 'version', 'this'])
  
  
  # stop word のチェック
  # 2文字以下の文字列、クラスタリングした結果、
  # ラベルとして、出力されたあまり意味のわからない単語を除外
  def check_stop_word(word):
      if word in stop_words:
          return False
      if len(word) <= 2:
          return False
      return True
  
  
  # キーワードを区切る
  def split_keyword(text):
      keywords = text.split(" ")
      after_text = " ".join([keyword for keyword in keywords if check_stop_word(keyword)])
      return after_text
  
  
  # report csv を parse する
  def parse_report_csv():
      lines = []
      row_count = 1
      for line in open('Google_Search_Console.csv', 'r'):
          if row_count != 1:
              arr = line.split(",")
              # キーワードカラムを取り出す
              lines.append(arr[1])
          row_count += 1
      return lines
  
  
  # learning_tsv parseする
  def read_from_learning_tsv(index):
      lines = []
      row_count = 1
      for line in open('LearningData.tsv', 'r'):
          if row_count != 1:
              arr = line.split("\t")
              # キーワードカラムを取り出す
              lines.append(arr[index])
          row_count += 1
      return lines
  
  
  def get_min_abs_dict(array, score):
      # 最小絶対値として、設定されない値であろう[sys.maxint] を設定
      min_abs = sys.maxint
      index = 0
      for i in range(len(array)):
          item = abs(array[i])
          if min_abs > item:
              min_abs = item
              index = i
      return {score[index]: min_abs}
  
  
  # メインメソッド
  def execute():
      # ----------------------------------------------------------------------------
      # 3. 学習データと、サーチコンソールからの取得結果のキーワードをマージ、キーワード内の単語の出現頻度を数えて、結果を素性ベクトル化する。
      # ------------------------------------------------------
      keywords = []
      # 学習データからキーワードを取得
      for line in read_from_learning_tsv(0):
          keywords.append(split_keyword(line))
      # CSVからキーワードを取得
      for line in parse_report_csv():
          keywords.append(split_keyword(line))
  
      # テキスト内の単語の出現頻度を数えて、結果を素性ベクトル化する(Bag of words)
      count_vectorizer = CountVectorizer()
      # csr_matrix(疎行列)が返る
      feature_vectors = count_vectorizer.fit_transform(keywords)
      print("word数:" + str(len(feature_vectors.toarray()[0])))
  
      # 学習したデータのみ切り出し
      learning_vectors = feature_vectors[:len(read_from_learning_tsv(0))]
      # データに対応したラベルを取得
      learning_labels = np.array(read_from_learning_tsv(1))
  
      # -------------------------------------
      # 4. `LinearSVC` で学習
      # --------------------------------
      # SVCのロード
      clf = svm.LinearSVC()
      # 学習
      clf.fit(learning_vectors, learning_labels)
  
      # --------------------------------------
      # 5. `CSV` をクラス分類して、スコアを取得、確からしさが低いデータについては、分類結果のラベルは付与せず、`unknown` ラベルに置換
      # --------------------------------------
      scores = clf.decision_function(feature_vectors[len(read_from_learning_tsv(0)):])
      classes = clf.classes_
      labels = []
      for score in scores:
          min_abs_dict = get_min_abs_dict(score, classes)
          for k, v in min_abs_dict.items():
              if 0.90 >= v:
                  # 0.90 以下は、ラベルを設定
                  labels.append(k)
              else:
                  # 0.90 より大きい場合は "unknown"
                  labels.append("unknown")
  
      # CSVを再度読み込み、ラベル名を追加して、CSV書き出し
      output_df = pd.read_csv('Google_Search_Console.csv')
      output_df['label_name'] = labels
      output_df.to_csv('Google_Search_Console_Output.csv', encoding="utf-8", index=False)
  
  if __name__ == '__main__':
      execute()
  

• 説明
  以下、説明を記載します。

1. Google スプレッドシートの学習データをTSVにして読み込み、キーワードを抽出。
TSVにしているのは、キーワード文字列内にカンマが含まれているためです。
Google_Search_Console.csvにももちろん含まれますが。。。一旦見ないことにしました。
現在(2017/05/21)だと、Google スプレッドシートのcsvは、値にカンマを含む場合に、

3. 学習データと、サーチコンソールからの取得結果のキーワードをマージ、キーワード内の単語の出現頻度を数えて、結果を素性ベクトル化する。
最初mecabで形態素解析し、名詞、動詞、形容詞を抜き出していたのですが、あまりいい感じにならず、単純なスペース区切りでキーワードを分割し、
短すぎるワード(2文字以下)を除外して、結果を素性ベクトル化しました。
split_keyword メソッド内で、実装しています。
素性ベクトル作成後、学習したデータのみ切り出すため、
learning_vectors = feature_vectors[:len(read_from_learning_tsv(0))]
で、TSV データの行数を頼りにデータを抜き出しています。

4. LinearSVC で学習 LinearSVC を使っているのは、SVC で分類したところ、あまりスコアがよろしくなかったからです。
パラメータ指定なしのデフォルトで実行しただけなので、この辺りの指定を頑張れば、
もっといい感じで分類できるかもしれません。

5. CSV をクラス分類して、スコアを取得、確からしさが低いデータについては、分類結果のラベルは付与せず、unknown ラベルに置換
decision_function で、どのラベルが確からしいのか、決定境界からの距離が取得できます。
こいつは、正負の数値が設定されていて、その中で「絶対値がもっとも小さいラベル?」が確からしいので、
get_min_abs_dict というメソッドを実装して、絶対値が最小のラベル名と、絶対値を辞書にして返すようにしました。
その後、絶対値が0.9以下だったら、ラベルを使用し、そうでなければ、unknown となるようにしていますが、
0.9 は、何度か実施してみて、「いい感じ」に間違いがなさそうになった値です。
ちなみに、LinearSVC で、predict_proba を実行したところ、そんなメソッドはないらしく、以下のエラーが出力されました。

AttributeError: 'LinearSVC' object has no attribute 'predict_proba'

6.結果を CSVに書き出し、Google スプレッドシートにインポートし、グラフ表示
一旦CSVで吐き出して、Googleスプレッドシートに転記しました。
以下のような、キーワードのクラス分類結果のラベル名とClick数での円グラフが作成できました。³
[3].unknown の割合がもっとも大きい..

検索キーワードをLinearSVCでクラス分類してみた感想

以下、実施した結果、定性的わかったことを記載します。

• 1単語のみのキーワードがうまく分類できていない。
  3word 以上の分類は、結構うまくいっているように見えましたが、
  例えば SonarQube 日本語 がうまく分類できず、unknown になります。
  これは、IntelliJ 日本語 をIntelliJ とする学習データがあったりするのが、
  影響にしているのだろうと思ったりします。
  「カテゴリを示すキーワード」の重みづけをする。or 「学習データ」を調整するなどが必要に思いました。

• 形態素解析は不要?
  形態素解析後のwordで学習、クラス分類してもいい感じにはならなかったです。
  検索エンジンに対して、送りつけるワードは基本スペース区切りなので、
  「なんらかの意味をもつWORDがスペース区切りで入力されている」前提で、分析したほうがいい結果がでるのかもしれません。
  ここは、KMeans でクラスタリングしてた時と同じでした。

クラス分類の方法としては、他の方法もあるので、
その他試してみて、丁度いいのを使おうかと思います。⁴
[4].今のままだと、使いものにならない感が..

以上です。