学术前沿趋势分析 Task4:论文种类分类
一、任务说明
- 学习主题:论文分类(数据建模任务),利用已有数据建模,对新论文进行类别分类;
- 学习内容:使用论文标题完成类别分类;
- 学习成果:学会文本分类的基本方法、TF-IDF等;
二、任务思路
我们可以借助论文的标题和摘要完成:
- 对论文标题和摘要进行处理;
选取title和abstract特征字段。 - 对论文类别进行处理;
- 构建文本分类模型;
分类可以使用TF-IDF+机器学习分类器、WordVec+深度学习分类器、Bert词向量等。
三、具体代码实现及解释
1、导入数据
我们需要的信息是论文的abstract和title以及论文类别categories,此处我们只选取部分数据进行分析。
data = []
with open("arxiv-metadata-oai-snapshot.json", 'r') as f:
for idx, line in enumerate(f):
d = json.loads(line)
d = {
'title': d['title'], 'categories': d['categories'], 'abstract': d['abstract']}
data.append(d)
if idx > 200000:
break
data = pd.DataFrame(data)
我们可以将标题和摘要拼接一起完成分类。去除‘/n’,全部变为小写字母。
data['text'] = data['title'] + data['abstract']
data['text'] = data['text'].apply(lambda x: x.replace('\n',' '))
data['text'] = data['text']