输入文件的格式是什么样子的？

[aitianyu2006]

输入文件的格式是什么样子的？

[RandolphVI]

@aitianyu2006
输入的文件是 .json 格式的：

{testid: "xxxxxxxx", feature_content: ["xx", "xx", "xxx"], labels_index: [33, 77, 129], labels_num: "3"}

其中:

• testid: 相当于是你任务中每条记录的 id （可有可无）
• feature_content: 你的 sentence 的所有分词
• labels_index: 你的任务的标签的 one-hot index
• labels_num: 标签个数。

例如，你的所有标签的个数是 500，某一条记录属于第 33，77，129 个类别，labels_index 就记为 [33, 77, 129]。

[aitianyu2006]

我尝试一下 谢谢了

[luchenue]

labels_num 有作用吗？好像也是可有可无

[RandolphVI]

@luchenue 是的，目前来说，labels_num 在代码中没有用到。主要是后面有个想法将会用到这个东西。

[JiaWenqi]

@RandolphVI 请问 feature_content这个字段是分完词的结果，还是分完词后去除停用词后的结果？如果文章的词数很多，比如在2000以上的话，都要保留这么多词吗？如果用不到这么多词的话，是不是不用保留这么多数量的词，训练的时候对每个doc中的词的数量是不是有数量限制？

[RandolphVI]

@JiaWenqi

feature_content 是分完词后并去除停用词后的结果。

如果文章的词数很多，是要看是整体数据集的词数都很多还是就极个别的文章是这样的。
训练呢的时候每个 doc 的词的数量可以用 pad_seq 设定（一般是你整体数据集按照所有 doc 的词数分布图来确定） 。超过 pad_seq 词语长度的 doc 截取超过的词语，不足的 pad_seq 词语长度的 doc 补齐至 pad_seq 长度。

[ft3020997]

你好，想问一下训练文本输入的事情。
假设我有2000条长文本，每条文本包含约10-20句话，每句话包含若干单词。
如何做到 “word-sent-doc”的向量化输入，因为看到feature_content的单条数据就是每个doc分词后的结果。

[RandolphVI]

@ft3020997

doc 由 sentence 组成，sentence 由 word 组成，先得到长文本的各个分词词向量，堆叠形成的矩阵就是 doc 文档的向量化表征。具体流程也很简单，长文本里面先进行分词，其中包括去除停用词操作，然后会得到每个长文本记录对应的分词。这个分词就是 feature_content 的内容，之后训练模型的时候，通过 load 你训练好的词向量表就可以得到这个长文本的文档向量了。

[ft3020997]

@RandolphVI 那模型知道该如何进行单个doc句子的截断吗？因为看到feature_content 的内容，都是[word1,word2....wordN]的格式，如果需要做成“word-sent-doc”形式的，是否需要doc1[sent1[word,word],sent2[word,word]....sentN]的输入？

[RandolphVI]

@ft3020997

听你的说法，是要区别对待每个句子，这样有两个做法：

• 在 sentence 之间加标志符，形成 feature_content: [word1, wor2, ..., <end>, word1, word2, ..., <end>, ...]，之后要针对的 进行处理，处理方法可以是一个句子形成一个句向量，长文本包含多个句子，就有多个长短不一的句向量堆叠。
• 上面的做法缺点很明显，不同的长文本的句子数量不一定，并且每个句子的单词个数不一定，所以通常做之前还会 padding，例如会规定每个长文本的最大句子数量是多少，一个句子的最大长度是多少，超过截取，不足补零。形成的数据可以是 feature_content: [word1, wor2, ..., <end>, word1, word2, ..., <end>, ...]，也可以是 feature_content: [[word1, wor2, ...,], [word1, word2, ...,], ...]，根据你自己设计的数据格式，数据处理的时候代码要修改。

以上我说的两种方法，我的代码并不支持处理，这属于是区别对待 doc 中的 sentence 方式，你需要修改的地方不仅仅是数据处理部分的代码，还需要针对你所生成的堆叠文档向量进行设计特定网络（例如网络是寻找文档中不同句子的重要程度）。

[ft3020997]

@RandolphVI 十分感谢大神的解答，我先尝试一下，谢谢。

[327850200]

1 环境都是按照requirements里装的虚拟环境。
2 先是按照作者给的提示，自己做了个中文的json文本格式，有报错。
3 然后只用作者给的一条记录跑了下CNN的train，报错如下：
FileNotFoundError: [Errno 2] No such file or directory: '../data/content.txt'
请问作者，是我遗漏了什么嘛？

[RandolphVI]

@327850200

可以参考我的这个项目下 Issues 中的一个问题 #12
已经在里面作了回答，希望能帮到你

[christianahui]

如果每个样本的labels_num都不相同，可以支持吗？

[RandolphVI]

@christianahui

抱歉过了这么久才回复。
可以的，因为本身 Multi-label Classification 任务就是处理文本可能对应一个或多个的属性标签。
每个样本的 labels_num 本身可能就不一样，可以参考 /data 文件夹下的 data sample 的 format。
项目的代码是可以处理上述情况的。