1、FastText

1.1、FastText网络结构

1.2、基于fastText的文本分类

2、word2vec训练词向量及使用

2.1、用jieba对语料进行分词处理

2.2、用LineSentence类来读文件

2.3、词向量的训练

2.4、词向量的使用

2.5、词向量可视化

3、TextCNN

3.1、导入数据

3.2、构建词向量权重矩阵

1、FastText

FastText是一种典型的深度学习词向量的表示方法，它非常简单通过Embedding层将单词映射到稠密空间，然后将句子中所有的单词在Embedding空间中进行平均，进而完成分类操作。

1.1、FastText网络结构

#FastText网络结构from keras.models import Sequential
from keras.layers import Embedding
from keras.layers import GlobalAveragePooling1D
from keras.layers import Dense
import faxtvocab_size = 2000
embedding_dim = 100
max_word = 500
class_num = 5def build_fastText():model =  Sequential()model.add(Embedding(vocab_size,embedding_dim,input_length = max_word))model.add(GlobalAveragePooling1D())model.add(Dense(class_num,activation = 'softmax'))model.compile(loss='categorical_crossentropy', optimizer='SGD',metrics = ['accuracy'])return modelif __name__ == '__main__':model = build_fastText()print(model.summary())

Model: "sequential_1"
_________________________________________________________________Layer (type)                Output Shape              Param #
=================================================================embedding_1 (Embedding)     (None, 500, 100)          200000    global_average_pooling1d_1   (None, 100)              0         (GlobalAveragePooling1D)                                        dense_1 (Dense)             (None, 5)                 505       =================================================================
Total params: 200,505
Trainable params: 200,505
Non-trainable params: 0
_________________________________________________________________
None

1.2、基于fastText的文本分类

#基于fastText的文本分类
import pandas as pd
from sklearn.metrics import f1_score
import fasttext.FastTexttrain_df = pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t', nrows=15000)
train_df['label_ft'] = '__label__' + train_df['label'].astype(str)
train_df[['text', 'label_ft']].iloc[:-5000].to_csv('train.csv', index=None, header=None, sep='\t')model = fasttext.train_supervised('train.csv', lr=1.0, wordNgrams=2,verbose=2, minCount=2, epoch=25, loss="hs")
val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[-5000:]['text']]
val_pred
print(f1_score(train_df['label'].values[-5000:].astype(str), val_pred, average='macro'))
0.82

fasttext（3）-- API 文档 & 参数说明_ouprince的博客-CSDN博客

2、word2vec训练词向量及使用

使用gensim库来实现word2vec构建词向量模型。

用jieba对语料数据集进行分词，分词后的语料按一行存储一个文本的格式处理。按以上格式整合为一个分词语料文本。
用keras提供的LineSentence函数 读入句子。
用class gensim.models.word2vec.Word2Vec训练词向量。

class gensim.models.word2vec.Word2Vec(sentences=None, size=100, alpha=0.025, window=5, min_count=5, max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001, sg=0, hs=0, negative=5, cbow_mean=1, hashfxn=<built-in function hash>, iter=5, null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000)

文本素材：

如果有来生，要做一棵树，站成永恒。
没有悲欢的姿势，一半在尘土里安详，一半在风里飞扬;
一半洒落荫凉，一半沐浴阳光。
非常沉默、非常骄傲。
从不依靠、从不寻找。

2.1、用jieba对语料进行分词处理

from gensim.models.word2vec import Word2Vec
from gensim.models import word2vec
import jieba
file= 'poem.txt'# 先用jieba对中文语料分词
f1= open(file, 'r', encoding='UTF-8')
f2 = f1.read()
f3 = jieba.cut(f2)
f5 = open('poem1.txt', 'w', encoding='UTF-8')
f5.write(' '.join(f3))

2.2、用LineSentence类来读文件

# 使用word2vec提供的LineSentence类来读文件
f4=  word2vec.LineSentence('poem1.txt')  #LineSentence把文本按换行分成句子# LineSentence：
for i in f4:print(i)'''['如果', '有来生', '，', '要', '做', '一棵树', '，', '站成', '永恒', '。']
['没有', '悲欢', '的', '姿势', '，', '一半', '在', '尘土', '里', '安详', '，', '一半', '在', '风里', '飞扬', ';']
['一半', '洒落', '荫凉', '，', '一半', '沐浴', '阳光', '。']
['非常', '沉默', '、', '非常', '骄傲', '。']
['从不', '依靠', '、', '从不', '寻找', '。']'''

2.3、词向量的训练

#构建词向量模型
w2v_model = Word2Vec(f4, vector_size=10 , window=2, min_count=0) #模型存放与加载
w2v_model.save('w2v.model') # 保存词向量
model.wv.save_word2vec_format('poem.vector', binary=False)

2.4、词向量的使用

通过模型加载词向量，在工程化的应用中，建议使用该种方法，加载速度快。

model = gensim.models.Word2Vec.load('test.model') 为通过模型加载词向量，在实际使用中更改模型名称即可

使用保存的词向量加载，工程中不推荐，加载速度慢。

vector = gensim.models.KeyedVectors.load_word2vec_format('data.vector')为使用保存的词向量加载词向量，在实际使用中更改文件名称即可。vector['非常'] 为该种方法获取词向量的方法。

#1 通过模型加载
w2v_model = Word2Vec.load('w2v,model') #模型词向量对应的词表dic
dic = w2v_model.wv.index2word
print(dic)
print(len(dic))
'''想要获得的词不在word2vec模型的词表中，会发生错误，获取词向量时先判断，如果词不在word2vec模型的词表中需要另做处理'''print(w2v_model.wv['非常'])#获取词“非常”对应的词向量
print(w2v_model.most_similar('非常', topn=10))#获取词“非常”最相似的10个词#计算两个词的相似度
w2v_model.wv.similarity('如果', '要') # 找出最相似的前n个词
w2v_model.wv.similar_by_word('非常',topn = 10) #找出类别不同的词
print( w2v_model.wv.doesnt_match(u"有来生 化为 的 沐浴".split()))#size
w2v_model.layer1_size#获取model中的词：w2v_model.wv.key_to_index.keys()# 2 通过词向量加载
vector = gensim.models.KeyedVectors.load_word2vec_format('data.vector')
print(vector['提供'])

2.5、词向量可视化

from builtins import bytes, rangeimport pandas as pd
pd.options.mode.chained_assignment = None
from sklearn.manifold import TSNE
import gensim
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
font = FontProperties(fname="himalaya.ttf",size=20)def tsne_plot(model, words_num):labels = []tokens = []for word in model.wv.vocab:tokens.append(model[word])labels.append(word)tsne_model = TSNE(perplexity=30, n_components=2, init='pca', n_iter=1000, random_state=23)new_values = tsne_model.fit_transform(tokens)x = []y = []for value in new_values:x.append(value[0])y.append(value[1])plt.figure(figsize=(10, 10))for i in range(words_num):plt.scatter(x[i], y[i])if b'\xe0' in bytes(labels[i],encoding="utf-8"):this_font = fontelse:this_font = 'SimHei'plt.annotate(labels[i],Fontproperties=this_font,xy=(x[i], y[i]),xytext=(5, 2),textcoords='offset points',ha='right',va='bottom')plt.show()if __name__ == '__main__':model = gensim.models.Word2Vec.load('w2v.model')print(f'There are {len(model.wv.index2word)} words in vocab')word_num = int(input('please input how many words you want to plot:'))tsne_plot(model, word_num)

3、TextCNN

TextCNN：

通过word2vec构建出词向量模型

利用神经网络在词向量的基础上实现文本分类

Neural Network的embedding layer可用于加载训练好的词嵌入模型：用word2vec学到的词向量作为NN的embedding layer的初始权重，而不是用随机的初始化权重。

3.1、导入数据

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
from collections import Counter
from gensim.models import Word2Vecimport numpy as np
from sklearn import preprocessing
from sklearn.metrics import precision_score, accuracy_score,recall_score,f1_score,roc_auc_score, precision_recall_fscore_support, roc_curve, classification_reporttrain_data=pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t')
test_data=pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t')

3.2、构建词向量权重矩阵

from collections import Counter
import pandas as pd# Vocab 的作用是：
# 1. 创建 词 和 index 对应的字典，这里包括 2 份字典，分别是：_id2word 和 _id2extword
# 其中 _id2word 是从新闻得到的， 把词频小于 5 的词替换为了 UNK。对应到模型输入的 batch_inputs1。
# _id2extword 是从 word2vec.txt 中得到的，有 5976 个词。对应到模型输入的 batch_inputs2。
# 后面有两个 embedding 层，_id2word 对应的 embedding 是可学习的，_id2extword 对应的 embedding 是从文件中加载的，是固定的
# 2.创建 label 和 index 对应的字典train_data=pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t')
test_data=pd.read_csv('新建文件夹/天池—新闻文本分类/train_set.csv', sep='\t')  class Vocab():def __init__(self, train_data):self.min_count = 5self.pad = 0self.unk = 1self._id2word = ['[PAD]', '[UNK]']#从训练集中得到self._id2extword = ['[PAD]', '[UNK]']#从导入的词向量中得到#得到词向量的权重矩阵def load_pretrained_embs(self, embfilepath):with open(embfilepath, encoding='utf-8') as f:   #打开训练好的词向量文件lines = f.readlines()items = lines[0].split()# 第一行分别是单词数量、词向量维度word_count, embedding_dim = int(items[0]), int(items[1])# 下面的代码和 word2vec.txt 的结构有关for line in lines[1:]:index = len(self._id2extword)#词向量中单词的数目embeddings_martix = np.zeros((word_count + index, embedding_dim))values = line.split()self._id2extword.append(values[0]) # 首先添加第一列的单词到词典中vector = np.array(values[1:], dtype='float64') # 后面 100 列的词向量embeddings_martix[self.unk] += vectorembeddings_martix[index] = vectorindex += 1# unk 的词向量是所有词的平均embeddings_martix[self.unk] = embeddings_martix[self.unk] / word_count# 除以标准差embeddings_martix = embeddings_martix / np.std(embeddings_martix)reverse = lambda x: dict(zip(x, range(len(x))))self._extword2id = reverse(self._id2extword)#         assert len(set(self._id2extword)) == len(self._id2extword)return embeddings_martixvocab = Vocab(train_data)

待补充。。。

Word2Vec词向量训练、使用及可视化操作

genSIM 导入 txt 格式的词向量参数_Z-Jeff的博客-CSDN博客

【深度学习】详解TextCNN - 知乎 (zhihu.com)

NLP知识点：Tokenizer分词器 - 掘金 (juejin.cn)

(1条消息) 自然语言处理常用标识符＜UNK＞,＜PAD＞,＜SOS＞,＜EOS＞等_呆萌的代Ma的博客-CSDN博客

【nlp】天池学习赛-新闻文本分类-深度学习1相关推荐

【nlp】天池学习赛-新闻文本分类-机器学习
目录 1.读取数据查看句子长度 2.可视化 2.1.新闻的字数分布 2.2.新闻文本类别统计 3.数据分析 3.1.统计每个字符出现的次数 3.2.统计不同字符在句子中出现的次数 4.文本特征提取 ...
阿里天池学习赛新闻文本分类
当时我的成绩阿里天池原始数据训练的词向量模型代码都在下面这两个链接里一个完整版一个不完整版链接:https://pan.baidu.com/s/1I8l-5f0-IlrSPa3a ...
天池入门赛-新闻文本分类-单个bert模型分数0.961
文章目录一些说明三.最终代码及解析 3.1 构建分词器 3.2 预训练bert模型 3.3 分类任务微调: 零.分词tokenization 1.2 分词规则 1.3 character-base ...
fastText、TextCNN、TextRNN……这里有一套NLP文本分类深度学习方法库供你选择作者：机器人圈 / 微信号：ROBO_AI发表时间：2017-07-28 图：pixabay
fastText.TextCNN.TextRNN--这里有一套NLP文本分类深度学习方法库供你选择「机器人圈」编译:嗯~阿童木呀.多啦A亮这个库的目的是探索用深度学习进行NLP文本分类的方法. 它 ...
【赠书】阿里云天池大赛赛题解析，深度学习篇！
‍‍ 阿里云天池作为国内知名的竞赛平台和AI社区,自诞生以来就一直秉持着让更多人公平获得大数据的理念.也正因此,天池每场经典赛事沉淀的课题和数据集都会永久保留和开放.截至目前,天池平台已举办了超过20 ...
《阿里云天池大赛赛题解析（深度学习篇）》学习笔记（1）自然语言处理基础
自然语言处理基础 Natural Language Processing,NLP. 主要任务包括自然语言理解Natural Language Understanding,NLU和自然语言生成Natur ...
【文本分类】常见文本分类深度学习模型汇总
在深度学习被广泛用于NLP之前,文本分类任务的常见pipeline为: (1)人工/半自动特征抽取:包括one-hot编码.count features.TF-IDF.词性/句法信息等等 (2)分类器 ...
《阿里云天池大赛赛题解析（深度学习篇）》学习笔记（4）序列标注实现思路
参考 https://www.jianshu.com/p/e6b3565e159d https://blog.csdn.net/gdh756462786/article/details/7910866 ...
《阿里云天池大赛赛题解析（深度学习篇）》学习笔记（3）实体识别深度学习方法
双向循环神经网络 BiRNN,包括BiLSTM.BiGRU等. BiRNN通常先采用正向与反向两个循环神经网络. 正向负责从前到后计算,反向负责从后向前计算. 将两个网络的输出采用一定方式(直接相加. ...

【nlp】天池学习赛-新闻文本分类-深度学习1

1、FastText

1.1、FastText网络结构

1.2、基于fastText的文本分类

2、word2vec训练词向量及使用

2.1、用jieba对语料进行分词处理

2.2、用LineSentence类来读文件

2.3、词向量的训练

2.4、词向量的使用

2.5、词向量可视化

3、TextCNN

3.1、导入数据

3.2、构建词向量权重矩阵

【nlp】天池学习赛-新闻文本分类-深度学习1相关推荐

最新文章

热门文章