前言
使用Tensorflow,利用LSTM进行中文文本的分类。
数据集格式如下:
‘’’
体育 马晓旭意外受伤让国奥警惕 无奈大雨格外青睐殷家军记者傅亚雨沈阳报道 来到沈阳,国奥队依然没有摆脱雨水的困扰。…
‘’’
可以看出 label:体育,接着是一个 tab,最后跟随一段文字。
目标:传入模型一段文字,预测出这段文字所属类别。
数据集下载
中文文本分类数据集下载:https://download.csdn.net/download/missyougoon/11221027
文本预处理
- 中文分词
- 词语转化为 id ,embeding
例如: 词语A 转化为 id(5)
同时,将 label 转化 id - 统计词频
代码演示
# -*- coding:utf-8 -*-
import sys
import os
import jieba
# 输入文件
train_file = './news_data/cnews.train.txt'
val_file = './news_data/cnews.val.txt'
test_file = './news_data/cnews.test.txt'
# 分词结果
seg_train_file = './news_data/cnews.train.seg.txt'
seg_val_file = './news_data/cnews.val.seg.txt'
seg_test_file = './news_data/cnews.test.seg.txt'
# 词语 和 label到id 的 映射
vocab_file = './news_data/cnews.vocab.txt'
category_file = './news_data/cnews.category.txt'
#print(label)
def generate_seg_file(input_file, output_seg_file):
'''
生成分词之后的文本数据
:param input_file: 待分词的输入文件
:param output_seg_file: 已经分词完毕的文本
:return:
'''
with open(input_file, 'r') as f:
lines &