使用卷积神经网络以及循环神经网络进行中文文本分类

CNN做句子分类的论文可以参看:

https://arxiv.org/abs/1408.5882

还可以去读dennybritz大牛的博客：

http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/

以及字符级CNN的论文：

https://arxiv.org/abs/1509.01626

本文是基于TensorFlow在中文数据集上的简化实现，使用了字符级CNN和RNN对中文文本进行分类，达到了较好的效果。

使用THUCNews的一个子集进行训练与测试，数据集请自行到THUCTC：一个高效的中文文本分类工具包

下载，请遵循数据提供方的开源协议。

本次训练使用了其中的10个分类，每个分类6500条数据。

类别如下：

体育, 财经, 房产, 家居, 教育, 科技, 时尚, 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

从原数据集生成子集的过程请参看helper下的两个脚本。其中，copy_data.sh用于从每个分类拷贝6500个文件，cnews_group.py用于将多个文件整合到一个文件中。执行该文件后，得到三个数据文件：

 ●  cnews.train.txt: 训练集(50000条)
 ●  cnews.val.txt: 验证集(5000条)

 ●  cnews.test.txt: 测试集(10000条)

预处理

data/cnews_loader.py为数据的预处理文件。

 ●  read_file(): 读取文件数据;
 ●  build_vocab(): 构建词汇表，使用字符级的表示，这一函数会将词汇表存储下来，避免每一次重复处理;
 ●  read_vocab(): 读取上一步存储的词汇表，转换为{词：id}表示;
 ●  read_category(): 将分类目录固定，转换为{类别: id}表示;
 ●  to_words(): 将一条由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。

经过数据预处理，数据的格式如下：

CNN模型

具体参看cnn_model.py的实现。

大致结构如下：

训练与验证

运行 python run_cnn.py train，可以开始训练。

在验证集上的***效果为94.12%，且只经过了3轮迭代就已经停止。

准确率和误差如图所示：

测试

运行 python run_cnn.py test 在测试集上进行测试。

在测试集上的准确率达到了96.04%，且各类的precision, recall和f1-score都超过了0.9。

从混淆矩阵也可以看出分类效果非常优秀。

RNN循环神经网络

配置项

RNN可配置的参数如下所示，在rnn_model.py中。

RNN模型

具体参看rnn_model.py的实现。

大致结构如下：

训练与验证

这部分的代码与 run_cnn.py极为相似，只需要将模型和部分目录稍微修改。

运行 python run_rnn.py train，可以开始训练。

若之前进行过训练，请把tensorboard/textrnn删除，避免TensorBoard多次训练结果重叠。

在验证集上的***效果为91.42%，经过了8轮迭代停止，速度相比CNN慢很多。

准确率和误差如图所示：

测试

运行 python run_rnn.py test 在测试集上进行测试。

在测试集上的准确率达到了94.22%，且各类的precision, recall和f1-score，除了家居这一类别，都超过了0.9。

从混淆矩阵可以看出分类效果非常优秀。

对比两个模型，可见RNN除了在家居分类的表现不是很理想，其他几个类别较CNN差别不大。

还可以通过进一步的调节参数，来达到更好的效果。

为方便预测，repo 中 predict.py 提供了 CNN 模型的预测方法。

原文发布时间为：2018-10-18

本文来自云栖社区合作伙伴“大数据挖掘DT机器学习”，了解相关信息可以关注“大数据挖掘DT机器学习”。