NLP进阶，使用TextRNN和TextRNN_ATT实现文本分类，包含数据集，可以直接使用，如果有不明白的地方可以参考我的文章：

基于贝叶斯分类的大学生关注热点事件微博文本分类方法研究，张晓宇，殷复莲，本文针对互联网，尤其是微博平台中大学生用户产生的海量的文本分类问题，提出应用贝叶斯网络分类器对微博评论进行分类的解决方案

这里是负面词汇大概有2w左右个中文负面词汇，正面词汇我会在另一份资源上传。（因为好像不能同时上传两份词汇）这里是负面词汇大概有2w左右个中文负面词汇，正面词汇我会在另一份资源上传。（因为好像不能同时上传两份词汇）

经典自训练文本分类 经典的文本分类自训练

text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52 ， ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称，培训/测试组，文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例，请注意，文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ，其中培训过程中未包括测试文档。

NLP项目 自然语言处理项目，其中包括有关以下方面的概念和脚本： gensim ， fastText和tensorflow实现。 参见， doc2vec ， word2vec averaging和Smooth Inverse Frequency实现 对话系统的类别和组成 tensorflow LSTM （请参阅 ，和 ， ） fastText实现 ELMo，ULMFit，GPT，BERT，XLNet的原理 HMM Viterbi实现。 参见，中文解读 Named_Entity_Recognition 通过双向LSTM + CRF，张量tensorflow实现对NER品牌。 参见中文注释，中文解读 7_Information_retrieval 8_Information_extraction 9_Knowledge_graph 10_Text_generation 11

TextClassification-Keras 这个代码库实现了一个各种深学习模型使用Keras框架，其中包括文本分类：FastText，TextCNN，TextRNN，TextBiRNN，TextAttBiRNN，韩，RCNN，RCNNVariant等除了模型实现，简化应用程序包括在内。 指导 环境 Python 3.7 NumPy 1.17.2 Tensorflow 2.0.1 用法 所有代码都位于目录/model ，每种模型都有对应的目录，其中放置了模型和应用程序。 例如，FastText的模型和应用程序位于/model/FastText ，模型部分为fast_text.py ，应用程序部分为main.py 模型 1个FastText FastText是在“提出的。 1.1论文描述 使用查找表，将ngram包转换为单词表示形式。 将单词表示形式平均为一个文本表示形式，它是一个隐藏变量。 文本表示又被馈送到线性分类器。 使用softmax函数可计算预定义类上的概率分布。 1.2在这里实现 FastText的网络结构： 2个TextCNN 在提出了TextCNN

文字傻瓜 自然语言对文本分类和推理的攻击模型 这是该论文的源代码： 。 如果使用代码，请引用以下文章： @article{jin2019bert, title={Is BERT Really Robust? Natural Language Attack on Text Classification and Entailment}, author={Jin, Di and Jin, Zhijing and Zhou, Joey Tianyi and Szolovits, Peter}, journal={arXiv preprint arXiv:1907.11932}, year={2019} } 数据 我们的7个数据集在。 先决条件： 所需的软件包在requirements.txt文件中列出： pip install requirements.txt 如何使用

中文文本分类样例数据呀

中文文本分类样例数据2