| Model | Description | Reference |
|---|---|---|
| Simple RNN | 简单的RNN实现，直接将双向GRU的输出传递至使用softmax激活的全连接层。 | |
| Simple CNN | 使用CNN实现的简单文本分类模型，直接RNN替换为了两个堆叠的核大小为7的1维卷积层，并使用了一个1维全局最大池化，在整个时间步上进行池化，将变长输入序列转换为定长向量。 | |
| Text CNN | 将三个卷积层的输出进行拼接 | |
| Text RCNN | 使用一个双向RNN代替卷积，并将其输出与嵌入层的输出进行拼接，通过一个带有tanh的线性变换来实现参特征融合 | Lai S, Xu L, Liu K, et al. Recurrent convolutional neural networks for text classification[C]//Twenty-ninth AAAI conference on artificial intelligence. 2015. |
$ python -m text_classification --help
usage: __main__.py [-h] [--data DATA] [--data-field-label DATA_FIELD_LABEL]
[--data-field-text DATA_FIELD_TEXT] [--models MODELS]
[--load-model LOAD_MODEL] [--model MODEL] [--train]
[texts [texts ...]]
positional arguments:
texts
optional arguments:
-h, --help show this help message and exit
--data DATA data path
--data-field-label DATA_FIELD_LABEL
--data-field-text DATA_FIELD_TEXT
--models MODELS models directory
--load-model LOAD_MODEL
the path of the model to be loaded
--model MODEL model name, used in training phase
--train train model
在开始之前，如果编辑器没有自动将本项目所在的位置加入PYTHONPATH，可能需要手动更新PYTHONPATH：
export PYTHONPATH=$(pwd):$PYTHONPATH$ python -m text_classification --ls
['text_rcnn', 'text_cnn', 'simple_rnn', 'simple_cnn']
python -m text_classification --data data/zh_hotel_review.csv --data-field-text review --model text_cnn --train训练模型需要提供以下参数：
data训练数据的路径，目前支持.csv,.xls,.xlsxdata-field-label原始数据，对应标签列的列名，默认为labeldata-field-text原始数据，对应文本列的列名，默认为text
models存放所有模型的目录，所有模型按照model-[iso time format]格式存放于此路径下。默认会使用当前路径下的models目录。model训练所使用的模型的名称
python -m text_classification '价格比比较不错的酒店。这次免费升级了，感谢前台服务员。房子还好，地毯是新的，比上次的好些。' '非常差的服务！！！！你要继续误导消费者吗？！'
Predict results:
>> ['1', '0']数据预测需要提供以下参数：
models存放所有模型的目录，如果没有提供load-model参数，将会自动调用最新的模型。load-model将要加载的模型路径
python -m text_classification --server接口支持如下：
| Name | Router | Method | Comment |
|---|---|---|---|
| 文本分类预测 | /predict |
POST | 对文本序列进行分类，参数为JSON格式的字符串数组 |
| 分类标签 | /classes |
GET | 获取当前模型所支持的分类标签 |
| 单词映射字典 | /word_index |
GET | 获取当前模型所使用的单词映射字典 |
# 导入镜像
docker load -i text_classification.tar.gz
# 导出镜像
docker save -o text_classification.tar.gz text_classification:v0.1
# 启动镜像
docker-compose up -d
# 关闭镜像
docker-compose downNote：请现在当前目录创建build，并将models放置在build目录下（如果需要设置自定义路径，请修改docker-compose.yml文件）。
- 对分类工具增加了基于Flask的Web API，当前不支持训练。
- （实验性）增加Docker支持
- 对整体代码进行了简化，删除了配置文件模式，对命令行接口进行了重构，支持通过
--stdin读取标准输入 - 修复由于输入序列过短导致卷积核无法工作的BUG，在预测阶段对所有输入的长度强制重置为256