试题说明
任务描述
基于THUCNews数据集的文本分类, THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成,包含74万篇新闻文档,参赛者需要根据新闻标题的内容用算法来判断该新闻属于哪一类别
数据说明
THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成,包含74万篇新闻文档(2.19 GB),均为UTF-8纯文本格式。在原始新浪新闻分类体系的基础上,重新整合划分出14个候选分类类别:财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。
已将训练集按照“标签ID+\t+标签+\t+原文标题”的格式抽取出来,可以直接根据新闻标题进行文本分类任务,希望答题者能够给出自己的解决方案。
训练集格式 标签ID+\t+标签+\t+原文标题 测试集格式 原文标题
提交答案
考试提交,需要提交模型代码项目版本和结果文件。结果文件为TXT文件格式,命名为result.txt,文件内的字段需要按照指定格式写入。
1.每个类别的行数和测试集原始数据行数应一一对应,不可乱序
2.输出结果应检查是否为83599行数据,否则成绩无效
3.输出结果文件命名为result.txt,一行一个类别,样例如下:
···
游戏
财经
时政
股票
家居
科技
社会
房产
教育
星座
科技
股票
游戏
财经
时政
股票
家居
科技
社会
房产
教育
···
一共七个数据集
dict.txt //代表各个ID数字段对应的数字
shuffle_Train_IDs_ //74万篇新闻文档
Test.txt //测试集的标题
Test_IDs.txt //测试集对应的代码
Train.txt //训练集对应的标签ID+\t+标签+\t+原文标题
Train_IDs.txt //训练集对应的代码
Val_IDs.txt //验证集
代码简单好理解适合初学者,主要简单在使用了直接分词的方式,而不是采用构造数据字典的方式
from sklearn.feature_extraction.text import TfidfVectorizer #在文本分类之中,首先分词,然后将分词之后的文本进行tfidf计算,并向量化(这一部分是核心),最后利用传统机器学习算法进行分类就可以了。 from sklearn.naive_bayes import MultinomialNB#引入朴素贝叶斯 import jieba#jieba库是一款优秀的 Python 第三方中文分词库 import os import pandas as pd """ jieba 支持三种分词模式:精确模式、全模式和搜索引擎模式,下面是三种模式的特点。 精确模式:试图将语句最精确的切分,不存在冗余数据,适合做文本分析 全模式:将语句中所有可能是词的词语都切分出来,速度很快,但是存在冗余数据 搜索引擎模式:在精确模式的基础上,对长词再次进行切分 """ dictt=pd.read_table('data/data12701/dict.txt') Test=pd.read_table('data/data12701/Test.txt') Test_IDs=pd.read_table('data/data12701/Test_IDs.txt') Val_IDs=pd.read_table('data/data12701/Val_IDs.txt') Train=pd.read_table('data/data12701/Train.txt') Train_IDs=pd.read_table('data/data12701/Train_IDs.txt') def fenlei(): # 获取新闻标题数据训练集 news = pd.read_table('data/data12701/Train.txt',header=None)#默认会自动推断数据文件头,如果设置为None则无文件头,为1则第一行是文件头 news = news.drop(1,axis=1) # 去掉中文类别 axis=1指按列 #print(news) text = news[2].tolist()#将数组或者矩阵转换成列表 # 对新闻标题列表里面的标题进行分词 t = [] for i in text:#注意python的for循环用法 n= jieba.lcut(str(i)) #精确模式分词,适合做文本分析,装换成string形式 t.append(' '.join(n)) # 将每个标题的分词结果用空格连接起来 news[2] = t #获取测试集 test = pd.read_table("data/data12701/Test.txt",header=None) text = test[0].tolist() t1 = [] for i in text: n = jieba.lcut(str(i)) t1.append(' '.join(n)) # 将每个标题的分词结果用空格连接起来 x_test = t1 label = ["财经","彩票","房产","股票","家具","教育","科技","社会","时尚","时政","体育","星座","游戏","娱乐"] # 进行数据分割 # x_train,x_test,y_train,y_test = train_test_split(news[2], news[0], test_size=0.2) x_train = news[2] y_train = news[0] # 对数据集进行特征抽取 tf = TfidfVectorizer()#TfidfVectorizer可以把原始文本转化为tf-idf的特征矩阵,从而为后续的文本相似度计算,主题模型(如LSI),文本搜索排序等一系列应用奠定基础。 # 以训练集当中的词的列表进行每篇文章重要性统计['a','b','c','d',] x_train = tf.fit_transform(x_train) """ sklearn里的封装好的各种算法使用前都要fit,fit相对于整个代码而言,为后续API服务。fit之后,然后调用 各种API方法,transform只是其中一个API方法,所以当你调用transform之外的方法,也必须要先fit。 fit_transform(): joins the fit() and transform() method for transformation of dataset. 解释:fit_transform是fit和transform的组合,既包括了训练又包含了转换。 transform()和fit_transform()二者的功能都是对数据进行某种统一处理(比如标准化~N(0,1),将数据缩放 (映射)到某个固定区间,归一化,正则化等) fit_transform(trainData)对部分数据先拟合fit,找到该part的整体指标,如均值、方差、最大值最小值等等 (根据具体转换的目的),然后对该trainData进行转换transform,从而实现数据的标准化、归一化等等。 """ # print(tf.get_feature_names()) x_test = tf.transform(x_test) # 进行朴素贝叶斯算法的预测 mlt = MultinomialNB(alpha=0.02) # print(x_train) '''class sklearn.naive_bayes.MultinomialNB (alpha=1.0,fit_prior=True, class_prior=None) 其中: alpha : 浮点数, 可不填 (默认为1.0) 拉普拉斯或利德斯通平滑的参数λ \lambdaλ,如果设置为0则表示完全没有平滑选项。但是需要注意的是,平滑相当于人为给概率加上一些噪音,因此λ \lambdaλ设置得越大,多项式朴素贝叶斯的精确性会越低(虽然影响不是非常大)。 fit_prior : 布尔值, 可不填 (默认为True) 是否学习先验概率P(Y=c)。如果设置为false,则所有的样本类别输出都有相同的类别先验概率。即认为每个标签类出现的概率是1 n _ c l a s s e s \frac1{n\_classes} n_classes 1 。 class_prior:形似数组的结构,结构为(n_classes, ),可不填(默认为None) 类的先验概率P(Y=c)。如果没有给出具体的先验概率则自动根据数据来进行计算。 布尔参数fit_prior表示是否要考虑先验概率,如果是False,则所有的样本类别输出都有相同的类别先验概率。否则,可以用第三个参数class_prior输入先验概率,或者不输入第三个参数class_prior让 MultinomialNB自己从训练集样本来计算先验概率,此时的先验概率为P(Y=Ck)=mk/m。其中m为训练集样本总数量,mk为输出为第k个类别的训练集样本数。 ''' #设置训练集 mlt.fit(x_train, y_train) y_predict = mlt.predict(x_test) with open(os.path.join('result.txt'), 'w', encoding='utf-8') as f_train: f_train.seek(0) f_train.truncate() result=open('result.txt',mode='w') for i in y_predict: result.write(label[i]+"\n") result.close() return None if __name__ =="__main__": fenlei()