1 简介
最近在学习NLP的相关知识,想通过实践来加深对所学知识的认知。因此,自己从网上找了一个中文语料库进行尝试。本文的实践内容包括文件的读取、中文分词、词向量表达、模型构建和模型融合。
本文所采用的语料库为复旦中文文本分类语料库,包含20个类别。但是,这个网盘里面只有train一个文件夹,我就自己人工把它分成了训练集和测试集。
网盘链接:https://pan.baidu.com/s/1833mT2rhL6gBMlM0KnmyKg
密码:zyxa
注:本文重点关注于代码的实践内容,没有背景知识和理论的介绍讲解。新手入门求轻喷,欢迎各位大佬指出错误和不足!
2 文件读取
首先,我们先完成读取一篇文本文档,去除stopwords,只保留中文字符后进行分词。函数extract_words_one_file()
可以对单个文件进行处理,提取所有中文分词并返回值。
import re
import os
import numpy as np
import pandas as pd
import jieba
import jieba.analyse
#从一个文本文件中提取中文分词,以句子或文章的形式保存在列表里
def extract_words_one_file(filepath,all=True):
#all指的是是否以全文的形式保存所有分词。
#True则表示一个文章的所有分词都储存在一个列表里,
#False则表示每个句子的分词分别存在一个列表里,再以文章的形式储存列表
#打开文本文件函数声明
def open_file(file_text):
with open(file_text, "r",errors='ignore') as fp:
content = fp.readlines()
return content
#只保留中文字符
def remove(text):
remove_chars = r'[^u4e00-u9fa5]'
return re.sub(remove_chars, '', text)
#打开stopwords文件函数声明
def open_stop(file_stop):
stopwords = [line.strip() for line in open(file_stop, 'r', encoding='utf-8').readlines()]
return stopwords
#利用jieba进行分词
def seg_sentence(sentence):
sentence_seged = jieba.cut(sentence.strip())
stopwords = open_stop("stopwords.txt")
outstr = ''
for word in sentence_seged:
if word not in stopwords:
if word != 't':
outstr += word
outstr &