基于word2vec和TextCNN的新闻标题分类器

一、背景

    本人做新闻爬虫工作，由于工作需要，经常需要将一个列表页中的a标签链接进行提前并进行抓取，但问题是，如何确定一个列表页大概率是新闻页面那？

起初，通过一些规则的方法，比如新闻高频词来确定是否是新闻列表页，但由于热词更新的滞后以及无热词页面，规则匹配的效果变得很差，故放弃了该方案。后期，通过总结新闻标题的模式发现，

新闻和非新闻的标题内容在用词以及语义上存在明显的区别，如果规则解决不了的问题，也许可以借助NLP来解这个问题。经过调研，发现有很多通过NLP来实现对评论进行情感分类的项目，

都是二分类的问题，自己目前面临的问题也是二分类，这坚定了我趟这条路的信心。

二、技术路线

    由于面临的问题是一个文本二分类问题，所以有两个问题需要解决：

1.  如何将标题向量化，以喂给模型训练。
2.  选择什么模型来训练数据。

     通过调研，问题1可通过Word2vec将词的语义嵌入到一个低维向量中。问题2解决方法很多，由于时下正是深度学习大红大紫之时，因此选择了TextCNN，它是一种卷积神经网络，在文本分类领域表现非常抢眼。

三、Word2vec

    Word2vec是非常流行的词嵌入（将一个词表示成一个向量）方法之一而Word2vec是其中的佼佼者，其主要优点是：

• 可以将文本在低维空间中进行稠密表示，克服了one-shot的表示稀疏性。
• 可以很好的表达词与词之间的语义相似性，如 “国王” 和 "女王"，“男人” 和 “女人”，但是one-shot表示是体现不出这种相似性的。

   Word2vec的流行实现有Skip和CBOW，在此不做详述，感兴趣的可以参考 秒懂词向量Word2vec 。

   词向量的问题解决之后，便可以将不同词的词向量表示成二维矩阵输入给TextCNN进行训练。

四、TextCNN

    TextCNN是一个基于卷积神经网络的文本分类模型，在众多应用领域表现非常出色，原始论文是Convolutional Neural Networks for Sentence Classification。本文的工作均参考了

 How to Develop a Multichannel CNN Model for Text Classification 文中的实现。同图像分类一样，TextCNN的输入也是一个  的二维矩阵，然后通过卷积层和池化层进行特征提取，

最后展平卷积部分的输出到一个全连接层，最后输出层给出分类结果。其中， 表示词汇表的大小， 表示词嵌入的维度，表示我们希望将一个词嵌入到一个多少维的向量空间中。

    TextCNN的基本思想是实现了一个多通道的卷积神经网络，并通过融合不同通道的信息进行文本分类。

    具体的，通过设定多组尺寸不同的卷积核，每组卷积核对应不同大小的滑动窗口。比如，可以分别设定核尺寸大小为1、2、4的三组卷积核，每组的数量自行设定，这样，

每组卷积核可在不同大小的滑动窗口中提取语义特征，最后融合不同组的卷积核所提取的特征（通过concatenate实现），并将融合后的特征向量送入全连接层层，输出层最后给出最终的分类，

大体的思想是这样，细节方面可以参考原始论文。下图很好的阐述了其基本实现过程。

五、 训练词向量

    由于本人是做爬虫工作，训练数据收集可谓是近水楼台先得月。收集了新闻标题（正样本）5834363例，非新闻标题（负样本）5108778。

    为了训练词向量，将正负样本中的每个标题通过jieba进行了分词，并去掉了停用词。同时将所有的词用空格分隔，同时，为了在滑窗过程中，不同标题之间的数据产生关联，

在不同标题的分词结果之间插入了6个UNK标识，因为本人选择的窗口大小是3，所以6个UNK标识刚好了隔离不同标题的分词结果。如下图所示。

    如图，“获刑” 和 “黑白” 属于不同标题的首尾词，因为UNK标识，在训练过程中不会因为大小为3的滑窗而组成训练样本，不会干扰最终的训练结果。word2vec的内部实现好像并没有提及这样的处理细节。

但个人认为这么做是有必要的，不然会将不同标题的首部和尾部的词进行关联，而这些词本身可能并无关联。

    这里选择了开源的gensim来