Text classification with CNN and Word2vec

本文是继自己上的blog“text-cnn”后，基于同样的数据集，嵌入词级别所做的RNN+ATTENTION模型所做的文本分类实验结果；

本实验的主要目是为了探究在同样的数据情况，CNN模型与RNN+attention模型训练的效果对比，训练结果显示在验证集上CNN为96.5%，RNN+attention为96.8%；

有兴趣可以阅读我的：text-cnn

1 环境

python3
tensorflow 1.3以上CPU环境下
gensim
jieba
scipy
numpy
scikit-learn

2 RNN循环神经网络+attention机制

模型RNN+ATTENTION配置的参数在text_model.py中，具体为：

模型RNN+ATTENTION大致结构为：

3 数据集

本实验同样是使用THUCNews的一个子集进行训练与测试，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;

文本类别涉及10个类别：categories = ['体育', '财经', '房产', '家居', '教育', '科技', '时尚', '时政', '游戏', '娱乐']，每个分类6500条数据；

cnews.train.txt: 训练集(5000*10)

cnews.val.txt: 验证集(500*10)

cnews.test.txt: 测试集(1000*10)

训练所用的数据，以及训练好的词向量可以下载：链接: https://pan.baidu.com/s/1cBZZE6UTsNb5utkg4k6TOQ，密码: 5y1a

4 预处理

本实验主要对训练文本进行分词处理，一来要分词训练词向量，二来输入模型的以词向量的形式；

另外，除掉文本的标点符号，也使用./data/stopwords.txt文件进行停用词过滤;

处理的程序都放在loader.py文件中；

5 运行步骤

python train_word2vec.py，对训练数据进行分词，利用Word2vec训练词向量(vector_word.txt)

python text_train.py，进行训练模型

python text_test.py，对模型进行测试

python text_predict.py，提供模型的预测

6 训练结果

运行：python text_train.py

本实验经过2轮的迭代，满足终止条件结束，在global_step=1500时在验证集得到最佳效果96.8%

7 测试结果

运行：python text_test.py

对测试数据集显示，test_loss=0.14，test_accuracy=95.8%，其中“体育”类测试为100%，整体的precision=recall=F1=96%;
而CNN模型的测试结果为：test_loss=0.13，test_accuracy=96.7%，precision=recall=F1=97%

8 预测结果

运行:python text_predict.py

随机从测试数据中挑选了五个样本，输出原文本和它的原文本标签和预测的标签，下图中5个样本预测的都是对的；

9 对比结论

在与cnn模型对比中发现，训练中在验证集上准确率96.8%是略优于cnn的，但是在测试集上，并没有cnn模型表现的好；我推测的其中原因是，CNN处理文本的长度为600，而RNN+ATTION处理的文本长度为200，而后者也不能处理太长的文本，文本越长，包含的特征信息越多，所以从整体上来看，我个人觉得CNN模型更适合长文本的分类任务。

pityk3369 / text_rnn_attention