中文文本分类

手把手带你做一个文本分类实战项目(模型+代码解读)

https://www.bilibili.com/video/BV15Z4y1S7aR/?spm_id_from=333.788.recommend_more_video.-1&vd_source=c47fbb8166930edc486d8fdc405bf569

中文汉字对应的数字索引
之后对应的数字索引
之后找到tokn embedding的东西

1、模型预处理
2、模型构建
3、损失函数构建

词袋模型

我们得到了单词的向量表示
那么我们如何得到文本的向量表示
再所有的词出现变为0

词袋模型的问题在哪里?

词袋模型也有一种表示叫做one-hot表示
我和吃，吃和饭，我和饭这两个词之间的距离是一样的，但实际上是不一样的，这个就是表达的意思是缺失的。

1、维度会很大

词表是2万个字

one-hot来表示

2、信息表达缺失

词向量：每个维度都有值，维度可控

每一个索引对应一个向量

词向量表格怎么来？

（1）先用模型学出来，再放到文本分类模型中去

（2) 随机初始化，放入文本分类模型中学习

如何生成词表

最简单：从零开始给一个数字索引

但是考虑一个问题：是所有的词我都要嘛？

UNK
删掉的词再出现
线上的遇到没看到的词

PAD符号
为了方便矩阵化处理，一个batch保持一致

把所有句子最开始pad到一个长度
把一个Batch pad到一个长度，不同abtch长度可能不同

模型是为了得到一个句子的表达