- 综合排序
- 最热优先
- 最新优先
- 来自专栏飞鸟的专栏
MapReduce排序分类（一）
MapReduce是一种用于大规模数据处理的编程模型，它将输入数据分割成多个小数据块，并将这些小数据块分配给多个计算节点进行处理。 在MapReduce中，排序是一种常见的操作，可以通过将键值对按照键或值进行排序来实现。MapReduce中的排序分为两种类型：内部排序和外部排序。 在MapReduce中，内部排序通常是在Map端进行的，即每个Map任务将它们处理的数据进行排序，然后将排序后的结果传递给Reduce任务进行汇总和处理。 下面是一个使用归并排序进行内部排序的MapReduce程序示例：public class InternalSort { public static class Map extends Mapper
48920编辑于 2023-05-12 - 来自专栏飞鸟的专栏
MapReduce排序分类（二）
在MapReduce中，外部排序通常是在Reduce端进行的，即每个Reduce任务将它们处理的数据进行排序，然后将排序后的结果合并成一个有序的输出文件。 下面是一个使用归并排序进行外部排序的MapReduce程序示例：public class ExternalSort { public static class Map extends Mapper 这可以通过另一个MapReduce任务来实现，我们称之为“合并排序”任务。在这个任务中，我们只需要将所有Reduce任务的输出作为输入，再次进行排序即可。 如果我们要按照其他方式进行排序，例如按照字典序对字符串进行排序，就需要自定义一个排序器，并在MapReduce任务中指定使用该排序器。
46430编辑于 2023-05-12 - 来自专栏云计算与大数据技术
MapReduce读取文本，实现降序排序
=${hadoop.root.logger} hadoop.mapreduce.jobsummary.log.file=hadoop-mapreduce.jobsummary.log hadoop.mapreduce.jobsummary.log.maxfilesize =${hadoop.mapreduce.jobsummary.log.maxfilesize} log4j.appender.JSA.MaxBackupIndex=${hadoop.mapreduce.jobsummary.log.maxbackupindex ; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.mapreduce.Reducer; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat ; import org.apache.hadoop.mapreduce.lib.input.TextInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat import org.apache.hadoop.util.ToolRunner; /** * TODO MapReduce读取文本，实现降序排序 * @author com * @Date
1.2K20发布于 2021-04-27 - 来自专栏数据分析与挖掘
机器学习-文本分类（2）-新闻文本分类
而且文本按照字符级别进行了匿名处理，处理后的数据为下： ? 这里就直接拆分训练集为训练集和测试集了。 train_set.csv" train_df = pd.read_csv(train_path, sep='\t', nrows=15000) train_df['text'] train_df['label'] 4、进行文本分类 （1）n-gram+岭分类 vectorizer = CountVectorizer(max_features=3000) train_test = vectorizer.fit_transform( (f1_score(train_df['label'].values[10000:], val_pred, average='macro')) 0.65441877581244 （2）TF-IDF+岭分类 average='macro')) 0.8719372173702 5、探究参数对模型的影响 取大小为5000的样本，保持其他参数不变，令阿尔法从0.15增加至1.5，画出F1关于阿尔法的图像 （1）针对于岭分类而言
1.2K30发布于 2020-08-26 - 来自专栏PaddlePaddle
【文本分类】基于双层序列的文本分类模型
本周推文目录如下： 周一：【点击率预估】 Wide&deep 点击率预估模型 周二：【文本分类】 基于DNN/CNN的情感分类 周三：【文本分类】 基于双层序列的文本分类模型 周四：【排序学习】 基于 Pairwise和Listwise的排序学习 周五：【结构化语义模型】 深度结构化语义模型 文本分类是自然语言处理领域最基础的任务之一，深度学习方法能够免除复杂的特征工程，直接使用原始文本作为输入，数据驱动地最优化分类准确率 在文本分类任务中，我们以情感分类任务为例，提供了基于DNN的非序列文本分类模型，以及基于CNN的序列模型供大家学习和使用（基于LSTM的模型见PaddleBook中情感分类一课）。 02 基于双层序列的文本分类 本例将演示如何在 PaddlePaddle 中将长文本输入（通常能达到段落或者篇章）组织为双层序列，完成对长文本的分类任务 |1.模型介绍 我们将一段文本看成句子的序列，而每个句子又是词语的序列 基于双层序列的文本分类模型 PaddlePaddle 实现该网络结构的代码见 network_conf.py。
1.7K30发布于 2018-03-15 - 来自专栏春天和爱情の樱花
NLP文本分类
基于深度学习的文本分类 文本分类领域，目前主要可分为： 情感分析 新闻分析 主题分类 问答系统 自然语言推理（NLI） 五大领域（当然也有一些其他细分领域，这里不进行讨论）。 目前，学术界针对文本分类所提出的深度学习模型大致有150多种，根据结构可分为11大类： 前馈网络：将文本视为词袋 基于RNN的模型：将文本视为一系列单词，旨在捕获文本单词依存关系和文本结构 基于CNN的模型 ：经过训练，可以识别文本分类的文本模式（例如关键短语）。 如果需要构建多个相似的文本分类器（例如，针对不同领域的新闻分类器），则多任务微调是利用相似领域的标记数据的好选择。 模型压缩：PLM成本很高。 在这个基础上，针对更具挑战性的文本分类任务构建新的数据集，例如具有多步推理的QA，针对多语言文档的文本分类，用于极长的文档的文本分类也将成为下一个中文文本分析领域飞速发展的突破口。
74620编辑于 2022-09-22 - 来自专栏全栈程序员必看
TextCNN(文本分类)
TextCNN网络结构如图所示： 利用TextCNN做文本分类基本流程（以句子分类为例）： （1）将句子转成词，利用词建立字典 （2）词转成向量（word2vec，Glove，bert，nn.embedding
78230编辑于 2022-09-15 - 来自专栏某菜鸟の小屋
新闻文本分类
前言 一个很粗糙的新闻文本分类项目，解决中国软件杯第九届新闻文本分类算法的问题，记录了项目的思路及问题解决方法 后续会进一步改进，包括： 丰富训练集的数据，避免军事类、房产类、体育类的新闻数据过少， 影响精度 改用上限更高的Bert模型 优化exe文件的页面，使其能够分别处理识别短文本和excel文件 项目源码：https://github.com/bluehyssopu/NewSort 项目问题链接 train_df['text_len'].describe() # 统计文本长度 生成直方图 import matplotlib.pyplot as plt _ = plt.hist(train_df
1.5K20编辑于 2022-11-01 - 来自专栏Fdu弟中弟
BERT文本分类
使用Huggingface中预训练的BERT模型进行文本分类。 train.txt：https://github.com/649453932/Bert-Chinese-Text-Classification-Pytorch/tree/master/THUCNews/data，十分类问题 input_masks = [] # attention mask label = [] # 标签 pad_size = 32 # 也称为 max_len (前期统计分析，文本长度最大值为 0,0] == pooled[0]) # False 注意是不一样的 pooled再加了一层dense和activation out = self.fc(pooled) # 得到10分类
2.2K31发布于 2021-02-24 - 来自专栏机器学习之旅
GolVe向量化做文本分类向量化文本分类
向量化 在之前，我对向量化的方法一直局限在两个点， 第一种是常规方法的one-hot-encoding的方法，常见的比如tf-idf生成的0-1的稀疏矩阵来代表原文本： ? 这种方法简单暴力，直接根据文本中的单词进行one-hot-encoding，但是数据量一但大了，这个单句话的one-hot-encoding结果会异常的长，而且没办法得到词与词之间的关系。 文本分类 刚才开门见山的聊了蛮久向量化，看起来和文本分类没什么关系，确实在通常意义上来讲，我们的最简单最常用的方法并不是向量化的方法，比如通过朴素贝叶斯，N-Grams这些方法来做分类识别。 u)\b\w+\b", max_df=0.5, sublinear_tf=True,ngram_range=(1, 1), max_features=100000) 3.不仅仅用bayes进行一次分类，
2K40发布于 2018-10-08 - 来自专栏全栈程序员必看
文本分类算法之–贝叶斯文本分类算法
文本分类过程 例如文档：Good good study Day day up可以用一个文本特征向量来表示，x=(Good, good, study, Day, day , up)。 在文本分类中，假设我们有一个文档d∈X，类别c又称为标签。我们把一堆打了标签的文档集合<d,c>作为训练样本，<d,c>∈X×C。 2）举例 给定一组分好类的文本训练数据，如下： docId doc 类别 In c=China? 后记：文本分类是作为离散型数据的，以前糊涂是把连续型与离散型弄混一块了，朴素贝叶斯用于很多方面，数据就会有连续和离散的，连续型时可用正态分布，还可用区间，将数据的各属性分成几个区间段进行概率计算，测试时看其属性的值在哪个区间就用哪个条件概率 再有TF、TDIDF，这些只是描述事物属性时的不同计算方法，例如文本分类时，可以用单词在本文档中出现的次数描述一个文档，可以用出现还是没出现即0和1来描述，还可以用单词在本类文档中出现的次数与这个单词在剩余类出现的次数
87810编辑于 2022-09-05 - 来自专栏用户2442861的专栏
文本分类（六）：使用fastText对文本进行分类--小插曲
测试facebook开源的基于深度学习的对文本分类的fastText模型 fasttext Python包的安装: pip install fasttext 1 1 第一步获取分类文本，文本直接用的清华大学的新闻分本 ，可在文本系列的第三篇找到下载地址。 输出数据格式： 样本 + 样本标签 说明：这一步不是必须的，可以直接从第二步开始，第二步提供了处理好的文本格式。写这一步主要是为了记忆当时是怎么处理原始文本的。 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 第二步：利用fasttext进行分类 ，没有进行对fasttext的调参，结果都基本在90以上，不过在预测的时候，不知道怎么多出了一个分类constellation。
1.8K10发布于 2018-09-19 - 来自专栏Pytorch实践
大话文本分类
概述 文本分类是自然语言处理的重要应用，也可以说是最基础的应用。常见的文本分类应用有：新闻文本分类、信息检索、情感分析、意图判断等。本文主要针对文本分类的方法进行简单总结。 文本分类过程大概可以描述为如下图，具体包括数据预处理、特征提取、分类器构建、模型评价等。 fastText神经网络模型 （2） DAN/ADAN文本分类 论文[4]中给出了DAN、ADAN的文本分类模型。 ADAN神经网络模型 （3） CNN文本分类 CNN文本分类模型目前在长文本分类过程中得到了广泛地使用，主要原因在于其算法的高度并行化。最早是由论文[7]给出的模型结构，具体如下图所示。 经笔者亲自验证CNN的效果要明显高于DAN的分类效果。 ? （4） HAN文本分类 HAN的分类模型[3]是一个非常有意思的长文本分类模型，通过对文本结构进行分层：词语、句子、文档三个层面。
1.8K100发布于 2018-03-26 - 来自专栏NLP算法工程师之路
长文本分类
在NLP领域中，文本分类舆情分析等任务相较于文本抽取，和摘要等任务更容易获得大量标注数据。因此在文本分类领域中深度学习相较于传统方法更容易获得比较好的效果。 文本分类领域比较重要的的深度学习模型主要有FastText，TextCNN，HAN，DPCNN。 FastText FastText是Facebook于2016年开源的一个词向量计算和文本分类工具，在学术上并没有太大创新。 但是它的优点也非常明显，在文本分类任务中，fastText（浅层网络）往往能取得和深度网络相媲美的精度，却在训练时间上比深度网络快许多数量级。 Reference 如何用深度学习做好长文本分类与法律文书智能化处理 Conv1D DPCNN in Keras代码
1.7K20发布于 2019-12-18 - 来自专栏机器学习入门与实战
textRNNtextCNN文本分类
什么是textRNN textRNN指的是利用RNN循环神经网络解决文本分类问题，文本分类是自然语言处理的一个基本任务，试图推断出给定文本(句子、文档等)的标签或标签集合。 文本分类的应用非常广泛，如： 垃圾邮件分类：2分类问题，判断邮件是否为垃圾邮件 情感分析：2分类问题：判断文本情感是积极还是消极；多分类问题：判断文本情感属于{非常消极，消极，中立，积极，非常积极}中的哪一类 自动问答系统中的问句分类 社区问答系统中的问题分类：多标签多分类(对一段文本进行多分类，该文本可能有多个标签)，如知乎看山杯 让AI做法官：基于案件事实描述文本的罚金等级分类(多分类)和法条分类(多标签多分类 当然我们也可以把RNN运用到文本分类任务中。 这里的文本可以一个句子，文档(短文本，若干句子)或篇章(长文本)，因此每段文本的长度都不尽相同。 在对文本进行分类时，我们一般会指定一个固定的输入序列/文本长度：该长度可以是最长文本/序列的长度，此时其他所有文本/序列都要进行填充以达到该长度；该长度也可以是训练集中所有文本/序列长度的均值，此时对于过长的文本
2.7K41发布于 2019-12-05 - 来自专栏大模型应用
大模型应用：基于本地大模型驱动的 MapReduce 文本总结与分类系统全解析.13
前期我们已经详细的介绍了MapReduce的基本知识，今天我们以 “Qwen1.5-1.8B 驱动的超长文本总结系统” 和 “BERT 驱动的大规模新闻分类系统” 为双核心案例，深度解析 MapReduce 代码示例"""中文新闻分类系统结合本地模型和MapReduce的大规模文本分类"""import randomfrom typing import List, Dict, Tuplefrom dataclasses MapReduce 即可利用本地 CPU 完成大规模文本处理；资源适配：针对 CPU 环境做深度优化，降低大模型运行的硬件门槛；结果输出：文本总结系统输出文本结果，新闻分类系统输出JSON格式的结构化评估报告差异化价值 ” 提升分类精度；适配判别式预训练模型的分类任务六、总结 今天我们以 “Qwen1.5 文本总结系统” 和 “BERT 新闻分类系统” 为双案例，深度解析了 MapReduce 范式在本地化大模型文本处理中的落地路径 两个案例虽面向不同任务场景（生成式总结 / 判别式分类），但均遵循 “分治 - 并行 - 聚合” 的核心思想，通过轻量化 MapReduce 框架解决了本地大模型处理大规模文本的效率、资源、稳定性问题。
15121编辑于 2026-02-10 - 来自专栏爬虫逆向案例
NLTK-007：分类文本（文档情感分类）
为了检查产生的分类器的可靠性，我们在测试集上计算其准确性。然后我们使用 show_most_informative_features()来找出哪些是分类器发现最有信息量的。 训练和测试一个分类器进行文档分类： featuresets = [(document_features(d),c) for (d,c) in documents] train_set,test_set 但是这个是手工的，我们这里可以训练一个分类器来算出哪个后缀最有信息量。 分类器在决定如何进行标注时，会完全依赖他们强调的属性。在这个情况下，分类器将只基于一个给定的词拥有（如果有）哪个常见的后缀的信息来做决定。 所以今天我们构造的词性分类器。 一个词性分类器，它的特征检测器检查一个词出现的上下文以便决定应该分配的词性标记。特别的，前面的词被作为一个特征。
60310发布于 2021-11-22 - 来自专栏PaddlePaddle
【文本分类】基于DNNCNN的情感分类
本周推文目录如下： 周一：【点击率预估】 Wide&deep 点击率预估模型 周二：【文本分类】 基于DNN/CNN的情感分类 周三：【文本分类】 基于双层序列的文本分类模型 周四：【排序学习】 基于 Pairwise和Listwise的排序学习 周五：【结构化语义模型】 深度结构化语义模型 文本分类是自然语言处理领域最基础的任务之一，深度学习方法能够免除复杂的特征工程，直接使用原始文本作为输入，数据驱动地最优化分类准确率 在文本分类任务中，我们以情感分类任务为例，提供了基于DNN的非序列文本分类模型，以及基于CNN的序列模型供大家学习和使用（基于LSTM的模型见PaddleBook中情感分类一课http://www.paddlepaddle.org 简介 文本分类任务根据给定一条文本的内容，判断该文本所属的类别，是自然语言处理领域的一项重要的基础任务。 我们以情感分类任务为例，简单说明序列模型和非序列模型之间的差异。情感分类是一项常见的文本分类任务，模型自动判断文本中表现出的情感是正向还是负向。
2K40发布于 2018-03-15 - 来自专栏机器学习算法工程师
LSTM文本分类实战
作者：王千发 编辑：龚 赛 什么是文本分类 1 文本分类在文本处理中是很重要的一个模块，它的应用也非常广泛，比如：垃圾过滤，新闻分类，等等。 传统的文本分类方法的流程基本是： 预处理：首先进行分词，然后是除去停用词； 将文本表示成向量，常用的就是文本表示向量空间模型； 进行特征选择，这里的特征就是词语，去掉一些对于分类帮助不大的特征。 常用的特征选择的方法是词频过滤，互信息，信息增益，卡方检验等； 接下来就是构造分类器，在文本分类中常用的分类器一般是SVM，朴素贝叶斯等； 训练分类器，后面只要来一个文本，进行文本表示和特征选择后，就可以得到文本的类别 应用深度学习解决大规模文本分类问题最重要的是解决文本表示，再利用CNN/RNN等网络结构自动获取特征表达能力，去掉繁杂的人工特征工程，端到端的解决问题。 使用深度学习进行文本分类，不需要进行特征选择这一步，因为深度学习具有自动学习特征的能力。
5.1K40发布于 2018-03-06 - 来自专栏全栈程序员必看
文本分类算法综述
文本分类大致有两种方法：一种是基于训练集的文本分类方法；另一种是基于分类词表的文本分类方法。 3.2 向量空间距离测度分类算法 该算法的思路十分简单，根据算术平均为每类文本集生成一个代表该类的中心向量，然后在新文本来到时，确定新文本向量，计算该向量与每类中心向量间的距离（相似度），最后判定文本属于与文本距离最近的类 ，并采用一定的原测来确定代表C中每个类别的特征矢量 ； 分类阶段： 1）对于测试文本集合 中的每一个待分类文本 ，计算其特征矢量 与每一个 之间的相似度 ，可以用前面所提到的余弦法。 3.3 K最邻近分类算法 该算法的基本思路是：在给定新文本后，考虑在训练文本集中与该新文本距离最近（最相似）的K篇文本，根据这K篇文本所属的类别判断新文本所属的类别，具体算法步骤如下： 1）根据特征项集合重新描述训练文本向量 Boosting算法： 类似Bagging方法，但是训练是串行进行的，第k个分类器训练时关注对前k-1分类器中错分的文档，即不是随机取，而是加大取这些文档的概率. 3.8 小结 本章主要介绍了当前文本分类领域常用的几种文本分类算法及其原理
89620编辑于 2022-06-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号