NeuralNLP-NeuralClassifier的使用记录（一），训练预测自己的【英文文本多分类】

NeuralNLP-NeuralClassifier的使用记录，训练预测自己的英文文本多分类

NeuralNLP-NeuralClassifier是腾讯开发的一个多层多分类应用工具，支持的任务包括，文本分类中的二分类、多分类、多标签，以及层次多标签分类。支持的文本编码模型包括 FastText, TextCNN, TextRNN, RCNN, VDCNN等。这篇博客将介绍如何使用这个项目实现文本的多标签多分类任务。

这里记录本人的英文文本分类，总共分6类。数据背景是：

2023 国际高等教育数学成型竞赛-A题 购物评论的数据分析的英文评论数据。

NeuralNLP-NeuralClassifier项目代码地址：
GitHub项目原开源代码

文章末有本次实验全部代码和数据。上传百度网盘，下载解压即可使用

项目目录介绍：

|--conf     # config文件存放目录
|--data    # 所有数据和schema存放目录
|--dataset  # 构建dataloader所需脚本
|--evaluate
|--model
    |--classification   # 项目中使用到的所有特征编码器
    |--attention.py
    |--embedding.py
    |-- ......  各模型通用的一些模块
|--predict.txt    # 执行预测生成的预测结果
|--checkpoint_dir_{}  # 训练过程中保存下来的权重文件目录
|--dict_{}              # 加载数据时产生的缓存文件目录
|--train.py            # 官方提供的训练脚本
|--eval.py            # 官方提供的评估脚本
|--predict.py        # 官方提供的预测脚本

一、构建自己的数据集格式

数据样式很简单，逐行的json格式，包括四个字段，使用者需要按照如下的形式去组织数据：

{
    "doc_label":["Computer--MachineLearning--DeepLearning", "Neuro--ComputationalNeuro"],
    "doc_token": ["I", "love", "deep", "learning"],
    "doc_keyword": ["deep learning"],
    "doc_topic": ["AI", "Machine learning"]
}

"doc_keyword" and "doc_topic" are optional.

"doc_label"就是这篇文档对应的所有标签构成的list，如果是单分类任务，list的长度为1，层次分类任务，各层之间用“–”进行分隔；

"doc_token"是这篇文档对应的所有token，中文可以使用各种分词工具进行分词。

“doc_keyword” 和"doc_topic"是在fasttext算法中提供额外的输入特征的，可以不提供，但是这两个字段必须要有，可以置为空。

二、构建自己的数据集：

自己数据数据处理成JSON文件，一段英文文本的标签，以及它的文本的词等等…

如何构建自己数据集url

编写自己数据的文本标签类别，我这里是数字标签，也可以文本标签，代表自己数据集总共有哪些标签。

后面的训练配置文件需要填入该文件的路径

三、训练：

模拟conf/train.json，自己数据就得写训练配置参数：

训练配置参数主要修改：

训练命令：

终端命令界面：

python train.py conf/english_train_conf.json

训练完后会生成相应的文件夹：有保存模型权重的、以及记录训练的：

验证命令：

python eval.py conf/english_train_conf.json

运行完后会生成混淆矩阵，评价指标：

四、预测：

预测时，构造预测数据，类似于训练的数据集，只是label为空：

处理待测的数据集，处理成JSON文件，如何处理，请看另一篇博文：
NeuralNLP-NeuralClassifier的使用记录（二），训练预测自己的【中文文本多分类】

放入文件夹：

预测命令：

python predict.py conf/english_train_conf.json englishdata/pridetct.json 

预测完后：

会生成predict.txt文本，txt里每一行就是每一个英文文本的预测分类：

代码获取：

链接：https://pan.baidu.com/s/1PSA_0rMAzVBNGUmZQBczdw
提取码：2023