TensorFlow实现文本分类(Sentence Classification)
前面讲了使用CNN和RNN对于图像的分类，所谓文本的分类指的是根据一段文字，辨别这一段文字所属的类别，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。
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
Character-level Convolutional Networks for Text Classification
如今，TensorFlow大版本已经升级到了1.3，对很多的网络层实现了更高层次的封装和实现，甚至还整合了如Keras这样优秀的一些高层次框架，使得其易用性大大提升。相比早起的底层代码，如今的实现更加简洁和优雅。
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。
数据集
本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的一个子集（原始的数据集大约74万篇文档，训练起来需要花较长的时间）。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。（下载地址：http://thuctc.thunlp.org/）
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;
- 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：
CNN卷积神经网络
配置项
CNN可配置的参数如下所示，在cnn_model.py中。
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。
若之前进行过训练，请把tensorboard/textcnn删除，避免TensorBoard多次训练结果重叠。
在验证集上的最佳效果为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。
在验证集上的最佳效果为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。
閱讀更多 馬士兵尚學堂 的文章
