深度学习-文档分类

本文演示了如何利用ParagraphVectors模型进行文档分类。通过训练带有类别的文档,预测未知类别的文档归属。ParagraphVectors在word2vec的基础上增加了段落输入向量。主要涉及ParagraphVectors的配置、训练以及对无标签数据的分类预测。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文主要是用ParagraphVectors方法做文档分类,训练数据有一些带类别的文档,预测没有类别的文档属于哪个类别。这里简单说下ParagraphVectors模型,每篇文档映射在一个唯一的向量上,由矩阵中的一列表示,每个word则类似的被映射到向量上,这个向量由另一个矩阵的列表示。使用连接方式获得新word的预测,可以说ParagraphVectors是在word2vec基础上加了一组paragraph输入列向量一起训练构成的模型
public class ParagraphVectorsClassifierExample { ParagraphVectors paragraphVectors;//声明ParagraphVectors类
LabelAwareIterator iterator;//声明要实现的迭代器接口,用来识别句子或文档及标签,这里假定所有的文档已变成字符串或词表的形式 TokenizerFactory tokenizerFactory;//声明字符串分割器 private static final Logger log = LoggerFactory.getLogger(ParagraphVectorsClassifierExample.class); public static void main(String[] args) throws Exception { ParagraphVectorsClassifierExample app = new ParagraphVectorsClassifierExample();//又是这种写法,构建实现类 app.makeParagraphVectors();//调用构建模型方法 app.checkUnlabeledData();//检查标签数据 /* Your output should be like this: Document 'health' falls into the following categories: health: 0.29721372296220205 science: 0.011684473733853906 finance: -0.14755302887323793 Document 'finance' falls into the following categories: health: -0.17290237675941766 science: -0.09579267574606627 finance: 0.4460859189453788 so,now we know categories for yet unseen documents */ } void makeParagraphVectors() throws Exception { ClassPathResource resource = new ClassPathResource("paravec/labeled");//弄一个带标签的文档路径
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值