NeuralNLP-NeuralClassifier的使用记录（二），训练预测自己的【中文文本多分类】

NeuralNLP-NeuralClassifier的使用记录，训练预测自己的【中文文本多分类】

数据准备：

​ 与英文的训练预测一致，都使用相同的数据格式，将数据通过代码处理为JSON格式，以下是我使用的一种，不同的原数据情况会有所改动：

import jieba.analyse as ana
import re
import jieba

def make_data_json(df,outpath):
    def stop_words(path):
        txt = open(outpath,"r",encoding='utf-8') 
        lines = txt.readlines()
        txt.close()
        stop_txt = []
        for line in lines:
            stop_txt.append(line.strip('\n'))
        return stop_txt
    
    
    with open(outpath, "w+", encoding='utf-8') as f:
        
        # with open(output_path, "w") as fw:
        for indexs in df.index:
            dict1 = {}
            dict1['doc_label'] = [str(df.loc[indexs].values[0])]
            doc_token = df.loc[indexs].values[1]
            # 只保留中文、大小写字母和阿拉伯数字
            reg = "[^0-9A-Za-z\u4e00-\u9fa5]"
            doc_token = re.sub(reg, '', doc_token)
            print(doc_token)
            # 中文分词
            seg_list = jieba.cut(doc_token, cut_all=False)
            #$提取关键词，20个：
            ana.set_stop_words('./人工智能挑战赛-文本分类/停用词列表.txt')
            keyword = ana.extract_tags(doc_token, topK=20,withWeight=False,)   #True表示显示权重
            # 去除停用词
            content = [x for x in seg_list if x not in stop_words('../data/stop_words.txt')]
            dict1['doc_token'] = content
            dict1['doc_keyword'] = keyword
            dict1['doc_topic'] = []
            # 组合成字典
            print(dict1)
            # 将字典转化成字符串
            json_str = json.dumps(dict1, ensure_ascii=False)
            f.write('%s\n' % json_str)
    

使用构造JSON数据方法：

训练前期准备：

1、创建中文数据文件夹，Chinese_datas，

2、创建该数据的文本数据对应的标签集Chinese_label.taxonomy

3、创建该数据的训练配置文件Chinese_train_conf.json，

继续目录如下：

配置文件的注意点：

其中需要额外修改的地方：

work_nums=0

以及涉及代码中，有读取文件的部分都需要给编码中文编码：

with open(encoding=‘utf-8’)

训练：

训练代码：

python train.py conf/Chinese_train_conf.json

训练后生成的权重文件，在配置文件中就写出了：

预测：

python predict.py conf/Chinese_train_conf.json Chinese_datas/predict_data.json

预测结果：

可以看出预测效果仅一个错误，该模型方便NLP的比赛分类等，准确率也很高。

代码获取：

下载就是中文分类版，在命令界面进行命令行输入，训练和预测，：

链接：https://pan.baidu.com/s/1fw_ipmOFWMiTLAFrs9i5ig
提取码：2023