使用CNN和Word2vec进行文本分类 本文是参考gaussic大牛的“ text-classification-cnn-rnn”后，基于同样的数据集，嵌入词级别操作的CNN文本分类实验结果，gaussic大牛是基于字符级的；进行了第二版的更新：1。加入不同的卷积核； 2。加入正则化； 3。词唯一的中文或英文，删除掉文本中数字，符号等类型的词； 4。删除长度为1的词训练结果较第一版有所提升，验证集准确率从96.5％达到97.1％，测试准确率从96.7％达到97.2％。 本实验的主要目是为了探索基于Word2vec训练的词向量嵌入CNN后，对模型的影响，实验结果得到的模型在验证集达到97.1％

中文文本分类完整流程的简单实现，分词、去停用词、提取特征、计算文档的特征向量、支持向量机训练、测试文档分类，简单实现，其中词频统计、去停用词使用布隆过滤器加速，效果不错

百度停用词表baidu_stopwords

中文停用词表cn_stopwords

哈工大停用词表hit_stopwords

四川大学机器智能实验室停用词库scu_stopwords

搜狗实验室新闻数据 文本分类

包含体育、游戏等10个类别，共60000多条数据 格式：标签\t文本语料

训练集

中文垃圾邮件项目： 数据集分为：ham_data.txt 和 Spam.data.txt , 对应为 正常邮件和垃圾邮件 其中每行代表着一个邮件