基于Tensorflow实现cnn字符级中文分类

代码地址：https://github.com/gaussic/text-classification-cnn-rnn

数据集

采用了清华NLP组提供的THUCNew新闻文本分类数据集的一个子集。数据集可在此链接http://thuctc.thunlp.org/下载。
本次训练有十个分类，每个分类6500条，总共65000条新闻数据。
具体类别如下

体育、财经、房产、家具、教育、科技、时政、游戏、娱乐

数据集划分如下：

• 训练集：5000*10
• 验证集：500*10
• 测试集：1000*10
  从原始数据中获得子数据参看helper的两个脚本。

预处理数据

data/cnews_loader.py为数据的预处理文件。

• read_file():读取文件；
• build_vocab():构建词汇表，使用字符级的表示，这一函数会将词汇表储存下来；
• read_category():将分类目录固定，转换为{类别：id}表示
• to_words():将一条有id表示的数据重新转换为文字；
• process_file():将数据集从文字转换为固定长度的id序列表示；
• batch_iter():为神经网络的训练准备经过shuffle的批次的数据。
  经过处理，数据格式如下：

Data	Shape	Data	Shape
x_train	[50000,600]	y_train	[50000,10]
x_val	[5000,600]	y_val	[5000,10]
x_test	[10000,600]	y_test	[10000,10]

CNN卷积神经网络

配置项参数如下，在cnn_model.py中

class TCNNConfig(object):
    """CNN配置参数"""

    embedding_dim = 64  # 词向量维度
    seq_length = 600  # 序列长度
    num_classes = 10  # 类别数
    num_filters = 256  # 卷积核数目
    kernel_size = 5  # 卷积核尺寸
    vocab_size = 5000  # 词汇表达小

    hidden_dim = 128  # 全连接层神经元

    dropout_keep_prob = 0.5  # dropout保留比例
    learning_rate = 1e-3  # 学习率

    batch_size = 64  # 每批训练大小
    num_epochs = 10  # 总迭代轮次

    print_per_batch = 100  # 每多少轮输出一次结果
    save_per_batch = 10  # 每多少轮存入tensorboard