前言

一个很粗糙的新闻文本分类项目，解决中国软件杯第九届新闻文本分类算法的问题，记录了项目的思路及问题解决方法

后续会进一步改进，包括：

丰富训练集的数据，避免军事类、房产类、体育类的新闻数据过少，影响精度
改用上限更高的Bert模型
优化exe文件的页面，使其能够分别处理识别短文本和excel文件

项目源码：https://github.com/bluehyssopu/NewSort

项目问题链接：http://cnsoftbei.com/plus/view.php?aid=599

文件结构图

code
- -pycache- —pyinstaller 打包生成的文件
- build —pyinstaller 打包生成的文件
- dist —pyinstaller 打包生成的文件（内有软件test2.exe 可运行）
- showTest.ipynb —展示测试集处理的脚本
- showTrain.ipynb —展示训练集处理的脚本
- test.py —测试所用的py文件可跳过
- test2.py —项目最终源代码
- test2.spec —pyinstaller 打包生成的文件
data
- hit_stopwords.txt —哈工大停词表
- test_set.csv —处理好的测试集数据
- train_set.csv —处理好的训练集数据
- type.xlsx —原测试集数据的类别sheet
image —项目的部分运行结果截图
rootData —数据清洗前的源数据
RemdMe.md —项目文件说明

运行dist目录下的test2.exe即可运行程序

选择文件dist/data/type.xlsx 点击确认即可运行将预测结果写入至type.xlsx

操作的过程如下：

查看源数据

	可以明显地看出：

源数据（训练）包括新闻标题内容和新闻的类别 — 以下称为根训练集
测试集包括测试的编号新闻标题新闻内容 — 以下称为 type.xlsx
需要将预测的结果写入channelName这一列中

为了方便我们进行清洗数据训练

将跟训练集的所有sheet（共九个其他栏为空）导出为csv 并合并为 train_root.csv

具体过程如下：

导出

Sub Test() 
    Dim Sht As Worksheet 
    For Each Sht In Sheets 
        Sht.Copy 
        ActiveWorkbook.SaveAs ThisWorkbook.Path & "\" & Sht.Name & ".xlsx" 
        ActiveWorkbook.Close 
    Next 
End Sub

合并

cmd命令行切换到所在的目录
copy *.csv train_copy.csv

输出测试

1
2
3

import pandas as pd
train_df = pd . read_csv ( '/rootData/train_copy.csv' )
train_df.head()

统计

1
2
3

# 显示各新闻的长度分布 这里只是粗略显示 句号分割
train_df['text_len'] = train_df['content'].apply(lambda x: len(str(x).split('。')))
train_df['text_len'].describe()

# 统计文本长度 生成直方图
import matplotlib.pyplot as plt
_ = plt.hist(train_df['text_len'], bins=240)
plt.xlabel('Text char count')
plt.title("Histogram of char count")

数据可视分析清洗处理

词频统计

加载停用词

with open("/data/hit_stopwords.txt", 'r', encoding='utf-8') as f:
    remove_words = [w.strip('\n') for w in f.readlines()]

for word in seg_list_exact: # 循环读出每个分词
    if word not in remove_words: # 如果不在去除词库中
        object_list.append(word) # 分词追加到列表

生成词云

检查无用词说明清洗有效

清洗前	清洗后

再次检验

写入

将清洗好的数据写入到 train_set.csv中作为机器学习的训练集 — 下称为训练集

import csv

header = ['label', 'text']
with open('/rootData/train_set.csv', 'w', encoding="utf-8", newline='') as f: # 解决空行的问题
    writer = csv.writer(f)
    writer.writerow(header)
    writer.writerows(Endlist)
f.close()

训练

简单读取验证训练集的内容
训练模型

# Count Vectors + RidgeClassifier
# 词袋 + 特征值提取
import pandas as pd

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.linear_model import RidgeClassifier
from sklearn.metrics import f1_score

train_df = pd.read_csv('/data/train_set.csv',encoding='ANSI')

vectorizer = CountVectorizer(max_features=3000)
train_test = vectorizer.fit_transform(train_df['text'].values.astype('U'))

clf = RidgeClassifier()
clf.fit(train_test[:10000], train_df['label'].values[:10000])

val_pred = clf.predict(train_test[10000:])

print(f1_score(train_df['label'].values[10000:], val_pred, average='macro'))
print(type(val_pred))

# 0.10343472451465849
# 0.10357460616527975 
# 一定要打乱训练的顺序
# 0.8491012463815872
# 0.8207100395680607
# 0.9201683620360309