支持向量机（SVM）如何用于文本分类？它为什么在高维稀疏文本特征上表现良好？

支持向量机SVM在文本分类中的应用一、SVM 基本原理回顾SVM 的核心思想是寻找一个最大间隔超平面将不同类别分开。给定训练样本{(xi,yi)}\{(x_i, y_i)\}{(xi​,yi​)}其中yi∈{1,−1}y_i \in \{1, -1\}yi​∈{1,−1}SVM 求解min⁡w,b12∥w∥2s.t.yi(w⋅xib)≥1,∀i\min_{w,b} \frac{1}{2}\|w\|^2 \quad \text{s.t.} \quad y_i(w \cdot x_i b) \geq 1, \quad \forall iw,bmin​21​∥w∥2s.t.yi​(w⋅xi​b)≥1,∀i通过拉格朗日对偶转化为max⁡α∑iαi−12∑i∑jαiαjyiyj(xi⋅xj)\max_{\alpha} \sum_i \alpha_i - \frac{1}{2}\sum_i\sum_j \alpha_i \alpha_j y_i y_j (x_i \cdot x_j)αmax​i∑​αi​−21​i∑​j∑​αi​αj​yi​yj​(xi​⋅xj​)s.t.0≤αi≤C,∑iαiyi0\text{s.t.} \quad 0 \leq \alpha_i \leq C, \quad \sum_i \alpha_i y_i 0s.t.0≤αi​≤C,i∑​αi​yi​0最终决策函数为f(x)sign(∑iαiyi(xi⋅x)b)f(x) \text{sign}\left(\sum_i \alpha_i y_i (x_i \cdot x) b\right)f(x)sign(i∑​αi​yi​(xi​⋅x)b)只有αi0\alpha_i 0αi​0对应的样本支持向量参与决策其余样本不影响模型。二、SVM 用于文本分类的流程1. 文本向量化将文本转为数值向量常用方式方法描述特点BoW词袋词频计数向量简单维度词表大小TF-IDF词频×逆文档频率降低高频通用词权重最常用二值化词是否出现0/1适合短文本文本向量化后特征空间维度通常达到数万到数十万维但每个文档中非零特征仅几百个——这就是典型的高维稀疏特征。2. 核函数选择文本分类中几乎总是使用线性核K(xi,xj)xi⋅xjK(x_i, x_j) x_i \cdot x_jK(xi​,xj​)xi​⋅xj​而非 RBF 核等非线性核。原因后文详述。3. 训练与预测训练求解上述对偶优化问题得到支持向量和对应的αi\alpha_iαi​预测对新文本向量化后代入决策函数计算符号4. 多分类扩展SVM 本质是二分类器文本分类常需多分类常用策略一对多One-vs-Rest训练 K 个分类器每个区分该类 vs 其余取置信度最高者一对一One-vs-One训练 K(K-1)/2 个分类器投票决定结果三、为什么 SVM 在高维稀疏文本特征上表现优异这是 SVM 文本分类的核心问题原因可从多个层面理解1. 间隔最大化天然抗高维过拟合维度越高 → 样本越容易线性可分 → 但过拟合风险越大SVM 不只是找到任意一个分开的超平面而是找间隔最大的那个。最大间隔等价于结构风险最小化SRM在 VC 维意义上控制了模型复杂度VC维≤min⁡(⌈R2ρ2⌉,n)1\text{VC维} \leq \min\left(\lceil \frac{R^2}{\rho^2} \rceil, n\right) 1VC维≤min(⌈ρ2R2​⌉,n)1其中RRR是数据球半径ρ\rhoρ是间隔。间隔越大VC 维越低泛化能力越强。即使特征维度远超样本数大间隔仍能保证泛化性能。2. 稀疏性使计算高效文本特征虽维度极高但极度稀疏非零率通常 1%核计算高效线性核K(xi,xj)xi⋅xjK(x_i, x_j) x_i \cdot x_jK(xi​,xj​)xi​⋅xj​只需计算非零特征的交集复杂度O(∥xi∥0⋅∥xj∥0)O(\|x_i\|_0 \cdot \|x_j\|_0)O(∥xi​∥0​⋅∥xj​∥0​)而非O(d)O(d)O(d)支持向量稀疏决策函数只依赖支持向量通常少数预测时只需与支持向量做点积内存可控稀疏存储如 CSR 格式下高维向量实际占用空间很小3. 线性核在文本上优于非线性核这是文本分类中一个重要经验结论原因有三原因说明文本已高维线性可分数万维空间中类别通常已线性可分无需映射到更高维的非线性空间RBF 核计算代价过高RBF 需计算所有样本对的核矩阵O(n2)O(n^2)O(n2)且在高维稀疏数据上参数γ\gammaγ极难调RBF 易过拟合高维下样本间距离趋于相同维度灾难RBF 核值趋于常数区分能力下降经验法则当特征数 样本数时用线性核当样本数 特征数时才考虑 RBF 核。文本分类属于前者。4. 稀疏特征与 L2 正则化协同SVM 的目标函数12∥w∥2\frac{1}{2}\|w\|^221​∥w∥2是 L2 正则化在高维稀疏特征上对大量零权重特征不施加额外惩罚零特征不贡献∥w∥2\|w\|^2∥w∥2有效特征获得适当权重噪声特征权重被压向零与文本中少数关键词决定类别的直觉一致5. 对类别不平衡相对鲁棒通过调整惩罚参数 C 的类别权重CC⋅N2N,C−C⋅N2N−C_ C \cdot \frac{N}{2N_}, \quad C_- C \cdot \frac{N}{2N_-}C​C⋅2N​N​,C−​C⋅2N−​N​可以对少数类施加更大惩罚缓解文本分类中常见的类别不平衡问题。四、SVM vs 朴素贝叶斯文本分类对比维度SVM朴素贝叶斯理论基础几何间隔最大化概率独立性假设特征假设无独立性假设强条件独立假设高维稀疏表现优异表现良好训练成本较高二次规划极低计数统计预测速度快支持向量少时极快准确率通常更高略低但接近可解释性较弱支持向量较强概率排序数据量敏感小数据也表现好小数据表现好经验结论在传统文本分类基准上线性 SVM 长期以来是最强的浅层方法之一准确率通常优于朴素贝叶斯但训练成本更高。五、实践要点1. 特征表示优先 TF-IDF配合 min_df/max_df 过滤极端词频 2. 核函数默认线性核LinearSVC 或 SVC(kernellinear) 3. 正则参数 C文本分类中 C 通常取较小值0.1~10C 越大越容易过拟合 4. 特征缩放TF-IDF 已归一化通常无需额外标准化 5. 大规模数据用 LinearSVC基于 liblinear而非 SVC基于 libsvm前者专为线性核优化支持百万级样本六、总结SVM 用于文本分类的核心路径是TF-IDF 向量化 → 线性核 SVM → 间隔最大化分类。它在高维稀疏文本特征上表现优异的根本原因是最大间隔机制控制了高维下的模型复杂度VC 维稀疏性使计算和存储高效可行而线性核避免了非线性映射在高维空间中的维度灾难和计算瓶颈。这三者共同使线性 SVM 成为文本分类的经典强基线方法。