在原作者(https://github.com/gaussic/text-classification-cnn-rnn.git) 的基础上进行了修改和优化:

• 基于DL Project Template重构代码
• vocab增加"<UNK>"，对vocab外的字用"<UNK>"代替
• padding和truncating使用post方式
• 修改模型参数设置方式，输出配置文件

Text Classification with CNN and RNN

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: Convolutional Neural Networks for Sentence Classification

还可以去读dennybritz大牛的博客：Implementing a CNN for Text Classification in TensorFlow

以及字符级CNN的论文：Character-level Convolutional Networks for Text Classification

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。

文中所使用的Conv1D与论文中有些不同，详细参考官方文档：tf.nn.conv1d

环境

• Python3
• TensorFlow1.3 以上
• numpy
• scikit-learn
• scipy

数据集

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

这个子集可以在此下载：链接:http://pan.baidu.com/s/1bpq9Eub 密码:ycyw

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utils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_loaders/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;
• preocess_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：

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

CNN可配置的参数在main_cnn.py中，配置文件输出在configs中。

CNN模型

具体参看models/cnn_model.py的实现。

大致结构如下：

训练与测试

在main_cnn.py中可以进行模型的训练和测试。

训练时设置为

flags.DEFINE_boolean("clean", True, "Wither clean train folder")
flags.DEFINE_boolean("train", True, "Wither train the model")

测试时设置为，可以进行单样本交互测试

flags.DEFINE_boolean("clean", False, "Wither clean train folder")
flags.DEFINE_boolean("train", False, "Wither train the model")

RNN循环神经网络

配置项

RNN可配置的参数如下所示，在main_rnn.py中，配置文件输出在configs中。

RNN模型

具体参看models/rnn_model.py的实现。

大致结构如下：

训练与测试

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。

在main_rnn.py中可以进行模型的训练和测试。

训练时设置为

flags.DEFINE_boolean("clean", True, "Wither clean train folder")
flags.DEFINE_boolean("train", True, "Wither train the model")

测试时设置为，可以进行单样本交互测试

flags.DEFINE_boolean("clean", False, "Wither clean train folder")
flags.DEFINE_boolean("train", False, "Wither train the model")