医学文本数据集-癌症文档分类数据集，该数据集集中于页面大小超过6页的长研究论文，分类为3类，“甲状腺癌”，“结肠癌”，“肺癌”。 医学文本数据集-癌症文档分类数据集，该数据集集中于页面大小超过6页的长研究论文，分类为3类，“甲状腺癌”，“结肠癌”，“肺癌”。

imdb数据集：用于文档分类。

分层注意网络 我对“ ”的实现（Yang等，2016） Yelp的数据可从下载（与Yang的论文中使用的数据集相同） 下载链接： : 将数据放在名为“ data / yelp_YEAR /”的目录中（其中“ YEAR”为年份） 运行“ yelp-preprocess.ipynb”以预处理数据。 格式变为“标签\ t \ t句子1 \ t句子2 ...”。 然后运行“ word2vec.ipynb”以从训练集中训练word2vec模型。 运行“ HAN.ipynb”以训练模型。 运行“ case_study.ipynb”以运行验证集中的一些示例的可视化，包括注意力向量（句子级别和单词级别）和预测结果。 现在，我们在yelp2013测试仪上获得了约65％的准确度。 对超参数进行微调后，它可能会更好。 我们使用的超参数 时代 批量大小 GRU单位 word2vec大小 优化器 学

首先采用 Google 的 Word2Vec 工具，从海量的文本（本文） 中，使用神经网络学习得到词典中每个词的向量表示。然后根据向量，对词 典中的每个词进行聚类，例如聚类成 500 类（新的“词典”） 。而后，使用工具 对每个文档提取代表性的关键词。每个关键词都在前面的聚类中找到自己的 类别。这样类似多媒体技术中讲授的向量空间模型（VSM） ，每个文档都可以 用过关键词词频表示成一个 500 维的向量，这个向量就是这个文档的“特征向 量”。

[PYTORCH]用于文档分类的分层注意网络 介绍 下面是我的文件分层关注网络的文档分类描述的模型的pytorch实现。 Dbpedia数据集模型输出结果的应用程序演示示例。 我的模型对Dbpedia数据集的性能示例。 如何使用我的代码 使用我的代码，您可以： 使用任何数据集训练模型 给定我训练有素的模型或您的模型，您可以评估具有相同类集的任何测试数据集 运行一个简单的Web应用进行测试 要求： python 3.6 火炬0.4 张量板 tensorboardX （如果不使用SummaryWriter，则可以跳过此库） 麻木 数据集： 我用于实验的数据集的统计信息。 这些数

使用python进行朴素贝叶斯方法预测，对具有20个主题的10万多篇文章进行训练，要求给出一篇文章，预测输出这篇文章属于什么类型

1. 实验数据在bayes_datasets文件夹中。其中，  train为训练数据集，包含hotel和travel两个中文文本集，文本为txt格式。hotel文本集中全部都是介绍酒店信息的文档，travel文本集中全部都是介绍景点信息的文档；  Bayes_datasets/test为测试数据集，包含若干hotel类文档和travel类文档。 2. 用朴素贝叶斯算法对上述两类文档进行分类。要求输出测试数据集的文档分类结果，即每类文档的数量。

Develop a NLP Model in Python & Deploy It with Flask, Step by Step，用Python开发一个自然语言处理模型（文档分类垃圾过滤），并用Flask进行部署，手把手教程，by Susan Li。

关键词的提取是进行计算机自动文本分类和其他文本数据挖掘应用的关键。系统从语言的词性角度考虑，对传统的最大匹配分词法进行了改进，提出一种基于动词、虚词和停用词三个较小词库的快速分词方法（FS），并利用TFIDF算法来筛选出关键词以完成将Web文档进行快速有效分类的目的。实验表明，该方法在不影响分类准确率的情况下，分类的速度明显提高。

可能是目前国内最好的一款免费文档标签式分类管理工具，可以通过给文件、文件夹打标签，来对文件和文件夹实现多维度的分类、组织和维护。