基于 CNN 和 RNN 的文本分类实战解析

本项目展示了在文本分类任务中，利用卷积神经网络（CNN）与循环神经网络（RNN）进行模型构建与训练的实践方案。项目结构清晰，支持在 Jupyter Notebook 环境中直接运行验证，源码已托管至 GitHub。

1. CNN + Max Pool

该模块对应 text-classification-cnn-maxpool 工程，主要实现标准的最大池化策略。

• 数据预处理：核心逻辑位于 dataOwn.py。文件负责基于 Word2Vec 构建词向量映射词典，处理词长不足时的 Padding 填充，并实现数据的加载与 Batch 迭代器。
• 模型定义：CNNDiseaseModel.py 封装了 CNN 网络的变量初始化及图结构构建。重点关注 placeholder 与 inference 部分。由于标签为单数值而非 One-Hot 编码，损失计算采用了 sparse_softmax_cross_entropy_with_logits 接口。
• 训练与预测：
  • CNNDiseaseModelTrain.ipynb：包含完整的模型训练流程。
  • CNNDiseaseModelPredict.ipynb：提供推理接口，支持输入单段文本或指定测试文件路径进行结果评估。

2. CNN + K-Max Pool

此部分与上述工程类似，区别在于使用了 K-Max Pooling 策略。在本实验环境下，其效果与标准 Max Pool 相当。

涉及文件包括：

• dataOwn.py：数据加载与预处理。
• modelOneConv.py：模型结构定义。
• trainWord2vec.ipynb：词向量训练脚本。
• predictWord2vec.ipynb：预测脚本。

3. RNN 文本分类

基于 RNN 架构实现的分类方案，可根据需求选择 LSTM 或 GRU 单元。

针对不同的标签格式，代码提供了两套适配方案：

• 整数标签模式：适用于 Label 为单一数字（如 0, 1, 2）的场景。

  • rnn_model_oneLable.py
  • train_rnn_oneLable.ipynb
  • predict_rnn_onehotLablelNew.ipynb

• One-Hot 编码模式：适用于 Label 为 One-Hot 向量（如 100000...）的场景。

  • rnn_model_onehotLable.py
  • train_rnn_onehotLable.ipynb

整体而言，该实践涵盖了从词向量构建、数据清洗到模型训练、推理的全链路流程，适合希望深入理解深度学习在 NLP 领域落地细节的开发者参考。