文本分类/聚类

我会带着你远行 2022-09-21 05:50 326阅读 0赞

预处理

删除标点符号

[python进行删除标点符号][python]

text=u'''职位描述 乐视招聘android自动化测试工程师 岗位职责:1、负责android超级电视TV设备的自动化方案设计、自动化测试与工具开发； 2、根据项目特点研究稳定性测试技术,完成相关工具的开发以及测试； 技能要求:1、有移动终端自动化工具架构设计与开发者优先,熟悉Android自动化工具Uiautomator、Monkey、MonkeyRunner 2、有实际用过JAVA/Python语言写过自动化测试脚本来测试项目的经验； 3、有Android自动化测试/稳定性测试经验,熟练掌握白盒测试工具JUnit、Instrumentation等； 4、熟悉linux命令,我们的工作环境是ubuntu操作系统 5、熟练使用git/svn等版本控制工具； 6、本科及以上学历（在职或者自考的本科可能暂时不考虑,ＨＲ要求的,特别优秀的除外）； PS:java/python编程开发基础扎实优先,有uiautomator实际项目经验者优先 个性能力要求:1. 主动思考、积极向上,有较强的逻辑分析能力和学习能力。 2. 工作细心、耐心、有责任心。 3. 具有良好的沟通能力和团队合作精神。 福利:转正后全员持股、年底奖金、带薪年假、餐补、交通补、通讯补等。'''  
import re  
  
print ' '.join(re.findall(u'\[\\u4e00-\\u9fff\]+', text))（保留中文字符的方法）

汉字繁简转换

https://github.com/berniey/hanziconv

中文文本聚类

[基本文本聚类方法 ][Link 1]

[转发： python进行中文文本聚类（切词以及Kmeans聚类）][python_Kmeans]

[python进行中文文本聚类实例（TFIDF计算、词袋构建）][python_TFIDF]

[\[python\] 基于k-means和tfidf的文本聚类代码简单实现][python_ _k-means_tfidf]

bag of words

[基于libsvm的中文文本分类原型][libsvm]

[文本分类 特征选取之CHI开方检验][_CHI]

[文本分类与聚类(text categorization and clustering)][text categorization and clustering]

[NLP系列(2)\_用朴素贝叶斯进行文本分类(上) ][NLP_2]

[NLP系列(3)\_用朴素贝叶斯进行文本分类(下)][NLP_3]

[bayes文本分类][bayes]

[基于 AC 自动机和贝叶斯方法的垃圾内容识别][AC]

[文本分类实验总结][Link 2]

[classify-text][]

[Classifying text with bag-of-words: a tutorial][Classifying text with bag-of-words_ a tutorial]

[蛙蛙推荐：蛙蛙教你文本聚类][Link 3]

[文本特征属性选择][Link 4]

[自然语言处理第一番之文本分类器][Link 5]

[深度学习在文本分类中的应用][Link 6]

[深度学习在文本分类中的应用1][1]

[tensorflow实现基于LSTM的文本分类方法][tensorflow_LSTM]

[知乎“看山杯”文本分类比赛思路和代码][Link 7]

[2017知乎看山杯总结(多标签文本分类)  
][2017_]

第一名解决方案

https://zhuanlan.zhihu.com/p/28923961

https://github.com/chenyuntc/PyTorchText

知乎看山杯 第二名 解决方案

https://zhuanlan.zhihu.com/p/29020616

https://github.com/Magic-Bubble/Zhihu

第三名

https://github.com/HouJP/zhihu-machine-learning-challenge-2017

https://bitbucket.org/niuox/zhihu-competition

\[2017知乎看山杯 多标签 文本分类\] ye组(第六名) 解题方案

https://biendata.com/competition/zhihu/  
https://github.com/yongyehuang/zhihu-text-classification

##     ##

第九名解决方案

[大规模文本分类实践-知乎看山杯总结][-]

https://github.com/coderSkyChen/zhihu\_kanshan\_cup\_2017

第21名解决方案

https://github.com/zhaoyu87/zhihu

https://github.com/xyx323/ZhiHuKanShan

## 利用word2vecv    ##

特征提取：首先采用Google的Word2Vec工具，从海量的文本（本文）中，使用神经网络学习得到词典中每个词的向量表示。然后根据向量，对词典中的每个词进行聚类，例如聚类成500类（新的“词典”）。而后，使用工具对每个文档提取代表性的关键词。每个关键词都在前面的聚类中找到自己的类别。这样类似向量空间模型（VSM），每个文档都可以用过关键词词频表示成一个500维的向量，这个向量就是这个文档的“特征向量”。

分类器训练：常用的分类器有K-Nearest Neighbor（K近邻，KNN）、决策树（Decision Tree，DT）、支持矢量机（Support Vector Machine， SVM）、人工神经网络（Artificial Neural Network，ANN）等。训练分类器时，每个文档除用一个特征向量表示之外，还需要提供类别标签（即监督信息），训练集已经提供人工标注的标签。

分类测试：训练好分类器后，一个新的不知道类别的文档（无类别标注），首先经过相同的特征提取步骤，得到特征向量，然后送入分类器，得到分类结果。然后统计分类正确率，进行效果分析。

https://github.com/wabyking/TextClassificationBenchmarkInPytorch

[fastText、TextCNN、TextRNN……这里有一套NLP文本分类深度学习方法库供你选择][fastText_TextCNN_TextRNN_NLP]

https://github.com/brightmart/text\_classification

## fasttext ##

[fastText原理及应用][fastText]

[如何评价Word2Vec作者提出的fastText算法？深度学习是否在文本分类等简单任务上没有优势？][Word2Vec_fastText]

[专栏 | fastText原理及实践][_ fastText]

NLP︱高级词向量表达（二）——FastText（简述、学习笔记）

[FastText总结,fastText 源码分析][FastText_fastText]

## text cnn ##

Convolutional Neural Networks for Sentence Classification

[基于卷积神经网络(CNN)的中文垃圾邮件检测][CNN]

https://github.com/epcilon/zh\_cnn\_text\_classify

https://github.com/dennybritz/cnn-text-classification-tf

[python]: http://blog.csdn.net/yyxyyx10/article/details/63683017
[Link 1]: http://blog.csdn.net/wangran51/article/details/7382258
[python_Kmeans]: http://blog.csdn.net/yyxyyx10/article/details/63685382
[python_TFIDF]: http://blog.csdn.net/yyxyyx10/article/details/66024316
[python_ _k-means_tfidf]: http://blog.csdn.net/eastmount/article/details/50473675
[libsvm]: http://blog.csdn.net/wangran51/article/details/8446328
[_CHI]: http://blog.csdn.net/wangran51/article/details/8446234
[text categorization and clustering]: http://blog.csdn.net/chl033/article/details/4759307
[NLP_2]: http://blog.csdn.net/longxinchen_ml/article/details/50597149
[NLP_3]: http://blog.csdn.net/longxinchen_ml/article/details/50629110
[bayes]: http://blog.sina.com.cn/s/blog_88f0497e0102v7qv.html
[AC]: https://zhuanlan.zhihu.com/p/25835417
[Link 2]: http://palydawn.blog.163.com/blog/static/18296905620124171155256/
[classify-text]: https://github.com/yassersouri/classify-text
[Classifying text with bag-of-words_ a tutorial]: http://fastml.com/classifying-text-with-bag-of-words-a-tutorial/
[Link 3]: http://www.cnblogs.com/onlytiancai/archive/2008/05/10/1191557.html
[Link 4]: http://blog.csdn.net/acdreamers/article/details/44661843
[Link 5]: https://mp.weixin.qq.com/s/FyI5Ub5NRsNXgEv-Y1LNyQ
[Link 6]: http://blog.csdn.net/u010223750/article/details/51437854
[1]: https://mp.weixin.qq.com/s/N8wYol4sGv3t_8Y2NhLX4Q
[tensorflow_LSTM]: http://blog.csdn.net/u010223750/article/details/53334313
[Link 7]: https://mp.weixin.qq.com/s/Pv5I6beV0tpgdS9qZYUNQw
[2017_]: http://blog.csdn.net/Jerr__y/article/details/77751885
[-]: http://coderskychen.cn/2017/08/20/zhihucup/
[fastText_TextCNN_TextRNN_NLP]: https://www.cnblogs.com/DjangoBlog/p/7511979.html
[fastText]: http://blog.csdn.net/yick_liao/article/details/62222153
[Word2Vec_fastText]: https://www.zhihu.com/question/48345431
[_ fastText]: https://mp.weixin.qq.com/s/cnu2xDFgsXIT0ObaXfZYHw
[FastText_fastText]: http://www.mamicode.com/info-detail-1903629.html
[CNN]: http://blog.csdn.net/clayanddev/article/details/70738475