NLP实战中文文本分类问题：THUCNews数据集

1 THUCNews数据集与预处理

1.1 数据集下载

本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的子集
数据下载链接：
THUCNews数据子集：https://pan.baidu.com/s/1hugrfRu 密码：qfud

1.2 数据量

该数据集使用了其中的10个分类，每个分类6500条，总共65000条新闻数据。
类别如下：
数据集共有三个文件，如下：
cnews.train.txt: 训练集(500010条)
cnews.val.txt: 验证集(50010条)
cnews.test.txt: 测试集(1000*10条)

1.3 预处理

data/cnews_loader.py为数据的预处理文件。

• read_file(): 读取文件数据;
• build_vocab(): 构建词汇表，使用字符级的表示，这一函数会将词汇表存储下来，避免每一次重复处理;
• read_vocab(): 读取上一步存储的词汇表，转换为{词：id}表示;
• read_category(): 将分类目录固定，转换为{类别: id}表示;
• to_words(): 将一条由id表示的数据重新转换为文字;
• preocess_file(): 将数据集从文字转换为固定长度的id序列表示;
• batch_iter(): 为神经网络的训练准备经过shuffle的批次的数据。

1.3.1 read_file()，读取文件数据;

在cnews.train.txt中，每一条数据包含一段文字和对应的label，也就是相应的类别category， 如下如所示：

1.3.2 build_vocab()构建词汇表

基于cnews.train.txt 训练集的数据，采用 build_vocab() 构建词汇表。添加一个 来将所有文本pad为同一长度。

1.3.2 read_vocab()读取已存储的词汇表，

read_vocab()读取已存储的词汇表，并将词汇表中的词转换为对应的数字id，并用dict形式存储。

2 特征向量化

2.1 TF-IDF

3 情感分析

4 模型搭建

4.1 CNN模型

4.2 RNN模型

5 参考

[1] https://blog.csdn.net/u011439796/article/details/77692621
[2] 代码： https://github.com/gaussic/text-classification-cnn-rnn/blob/master/data/cnews_loader.py