前言
大家好,我是阿光。
本专栏整理了《NLP文本分类算法集锦》,内包含了各种常见的中英文文本分类算法,以及常见的NLP任务:情感分析、新闻分类以及谣言检测等。
文本分类是NLP的必备入门任务,在搜索、推荐、对话等场景中随处可见,并有情感分析、新闻分类、标签分类等成熟的研究分支和数据集。
不同模型的适用场景不同,常用的模型有:
Fasttext
、TextCNN
、DPCNN
、TextRCNN
、BiLSTM+Attention
、HAN
、LSTM
、Transformer
、BERT
、Capsule
、TextGCN
等。
文本分类广泛应用于 长短文本分类
、情感分析
、新闻分类
、事件类别分类
、政务数据分类
、商品信息分类
、商品类目预测
、文章分类
、论文类别分类
、专利分类
、案件描述分类
、罪名分类
、意图分类
、论文专利分类
、邮件自动标签
、评论正负识别
、药物反应分类
、对话分类
、税种识别
、来电信息自动分类
、投诉分类
、广告检测
、敏感违法内容检测
、内容安全检测
、舆情分析
、话题标记
等日常或专业领域中。
正在更新中~ ✨
🚨 我的项目环境:
- 平台:Windows10
- 语言环境:python3.7
- 编译器:PyCharm
- PyTorch版本:1.8.1
🌠 『精品学习专栏导航帖』
🍭『目录』
📢 经典模型篇
- (一):基于TextCNN实现情感分析任务
- (二):基于FastText实现情感二分类任务
- (三):基于DPCNN实现电商情感分析任务
- (四):基于TextRNN实现情感短文本分类任务
- (五):基于TextRCNN实现中文短文本分类任务
- (六):基于CharCNN实现中文情感分类任务
- (七):基于PyTorch+TextCNN实现英文长文本诗歌文本分类
- (八):基于PyTorch+HAN实现中文情感分类任务
- (九):基于MultinomialNB多项式贝叶斯分类器实现中文文本情感分类任务
- (十):基于一维卷积Conv1D对电商评论数据文本情感分类
- (十一):基于自注意力机制(Self-Attention)对twitter数据进行情感分析
- (十二):基于RNN实现微博热点新闻分类
- (十三):基于词级ngram的词袋模型对twitter数据进行情感分析
- (十四):基于pytorch使用LSTM实现新闻本文分类任务
- (十五):基于pytorch使用LSTM进行谣言检测
- (十六):基于pytorch使用LSTM进行文本情感分析
- (十七):基于CNN实现冠状病毒推文NLP文本分类
📢 融合模型篇
- (一):基于PyTorch+Conv-GRNN & LSTM-GRNN实现中文情感分类任务
- (二):基于PyTorch+CNN实现谣言检测任务
- (三):基于PyTorch+Transformer实现谣言检测系统
- (四):基于RNN+CNN实现NLP判别新闻真伪
- (五):基于BiLSTM-Attention实现中文文本分类任务
📢 大模型篇
- (一):基于Pytorch+Bert实现电商情感多分类任务
- (二):基于ERNIE2.0文心大模型实现中文短文本分类任务
- (三):基于飞浆ERNIE3.0百亿级大模型实现中文短文本分类任务
- (四):基于Google的预训练模型XLNet实现电商情感多分类任务
- (五):基于GPT2实现中文新闻文本分类任务
- (六):基于Transformer实现Twitter文本隐喻二分类
- (七):基于Transformer实现电影评论星级分类任务
来源地址:https://blog.csdn.net/m0_47256162/article/details/128444036