自然语言处理（2）

1. 数据集

数据集：中、英文数据集各一份
THUCNews中文数据集：https://pan.baidu.com/s/1hugrfRu 密码：qfud
IMDB英文数据集： IMDB数据集 Sentiment Analysis

2. 探索模块及指标学习模块

该数据集是通过用户的个人评论数据分析出个人对电影的喜恶（亦即消极和积极，目标是完成二元分类）。数据集共包含5万条评论，其中2.5万条是训练集数据，另外2.5万条是测试集数据。其中还有5万个未做标记的评论，可用来作无监督学习。
数据包包含若干个文件和两个文件夹。文件夹train和test中包含neg、pos、unsup三个子文件夹，分别对应的是消极的，积极的，和未标记的数据。

3. THUCNews数据集下载和探索

THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。我们在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。使用THUCTC工具包在此数据集上进行评测，准确率可以达到88.6%。参考链接为：http://thuctc.thunlp.org/#中文文本分类数据集THUCNews 。
数据包包含4个文件夹，分别是cnews.train.txt、cnews.val.txt、cnews.test.txt和cnews.vocab.txt。其中cnews.train.txt是训练集数据，cnews.val.txt是验证集数据、cnews.test.txt是测试集数据，我们需要通过分词然后进行处理。而cnews.vocab.txt是所有数据集中汇集成的词典，每一行表示一个词。

4. 学习召回率、准确率、ROC曲线、AUC、PR曲线

​ 准确率（precision）：所有预测中为正分类中预测正确所占的比例：

对正分类的所有预测中，预测正确的比例：

​引入F1-Score作为综合指标，是为了平衡准确率和召回率的影响，较为全面的评价一个分类器：

在ROC曲线中，以FPR为x轴，TPR为y轴
AUC(Area Under Curve)即指曲线下面积占总方格的比例。有时不同分类算法的ROC曲线存在交叉，因此很多时候用AUC值作为算法好坏的评判标准。面积越大，表示分类性能越好

参考资料

TensorFlow官方教程：影评文本分类 | TensorFlow (https://tensorflow.google.cn/tutorials/keras/basic_text_classification)
科赛 - Kesci.com
(https://www.kesci.com/home/project/5b6c05409889570010ccce90)
博客中的数据集部分和预处理部分
CNN字符级中文文本分类-基于TensorFlow实现 - 一蓑烟雨 - CSDN博客 (https://blog.csdn.net/u011439796/article/details/77692621)
text-classification-cnn-rnn/cnews_loader.py at mas…
(https://github.com/gaussic/text-classification-cnn-rnn/blob/master/data/cnews_loader.py)
机器学习之类别不平衡问题 (2)
ROC和PR曲线_慕课手记(https://www.imooc.com/article/48072)

参考：https://blog.csdn.net/weixin_43314778/article/details/89157472