在acc中显示jieba已经安装，但是打开acc后发现找不到jieba.

qq_41950777 2020-12-02 10:46:36

...全文

79 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

# 快速搭建垃圾分类智能问答机器人基于深度学习实现的垃圾分类智能问答机器人垃圾分类垂直领域问答机器人核心做法： 1、将问题分八大类，每个问题太类别给出一个回答 2、使用 word2vec + TextCNN 建立模型 - 环境要求 python: 3.x tensorflow: 1.x jieba word2vec # 模型训练 - 词向量方法训练: 200个epoch，loss 0.829977, acc 0.686275 评估：0.791946 - 词汇索引方法训练：200个epoch，loss 0.657236, acc 0.862745 评估：Accuracy: 0.852349

【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用！ 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能，需要能看懂代码，并且热爱钻研，自行调试。基于机器学习+深度学习+bert方法的虚假新闻检测项目源码.zip # Fake-News-Detection NKU_2022Fall Python language programming project **虚假新闻检测**项目，简单的**nlp分类**问题使用**机器学习**、**深度学习**和**bert模型**解决问题仓库中只上传了代码，大文件统统没有上传，下面网盘链接用于下载需要的大文件，照着文件夹融合网盘文件和代码文件即可 [所需附件下载链接](https://pan.baidu.com/s/1WpDSuQgC1HQaVNc8xlpuyQ?pwd=jzkl ) ### 问题描述数据集是中文微信消息，包括微信消息的Official Account Name，Title，News Url，Image Url，Report Content，label。Title是微信消息的标题，label是消息的真假标签（0是real消息，1是fake消息）。训练数据保存在train.news.csv，测试数据保存在test.news.csv。实验过程中先统计分析训练数据【train.news.csv】。根据train.news.csv中的Title文字训练模型，然后在test.news.csv上测试，给出Precision, Recall, F1-Score, AUC的结果。 ### 环境配置使用anaconda集成开发环境，pytorch深度学习框架具体配置方法我参考的博客链接：[PyTorch环境配置及安装_pytorch配置-CSDN博客](https://blog.csdn.net/weixin_43507693/article/details/109015177) ### 方法介绍 #### 机器学习模型主要流程就是数据加载、预处理、特征工程、模型训练与评估，nlp的任务需要将文本数据转换成向量数据，这里用了词袋模型和`tyidf`两张方法。代码在`traditional.py`中，都有现成的包用，简单调包调参就行，使用了随机森林、支持向量机、朴素贝叶斯、逻辑回归等方法，有的算法可以加入网格搜索与交叉验证调参，不过感觉如果想继续优化可能得在特征工程部分下手。最后得到的结果： | 使用模型 | 向量化方法 | acc | recall(1) | precision（1） | auc | | :------------------------------: | :--------: | :----: | :-------: | :------------: | :--: | | 朴素贝叶斯+jieba精确模式 | 词袋模型 | 84.33% | 0.60 | 0.47 | 0.74 | | 同上 | tyidf | 88.97% | 0.33 | 0.80 | 0.66 | | 高斯内核支持向量机+jieba搜索引擎 | 词袋模型 | 86.62% | 0.10 | 0.84 | 0.55 | | 同上 | tyidf | 91.21% | 0.46 | 0.89 | 0.72 | | 随机森林+jieba精确模式 | 词袋模型 | 87.03% | 0.12 | 0.97 | 0.56 | | 同上 | tyidf | 87.18% | 0.13 | 0.98 | 0.56 | | 逻辑回归+jieba精确模式 | 词袋模型 | 90.48% | 0.50 | 0.77 | 0.74 | | 同上 | tyidf | 89.33% | 0.37 | 0.79 | 0.68 | #### 神经网络解决

基于python的电影评论数据的中文情感分析(含训练数据、验证数据) 1).数据集使用电影评论数据作为训练数据集. 其中, 训练数据集20000条(正负向各10000条); 测试数据集6000条(正负向各3000条) 2).数据预处理 1.去除停用词, 并使用jieba进行分词 2.使用预训练的词向量模型，对句子进行向量化 2. 各种实现方法准确率对比 3. 各种实现方法acc-loss曲线绘制 1).NN(MLP)实现方法结果绘制: 2).CNN实现方法结果绘制

【资源说明】 1、该资源包括项目的全部源码，下载可以直接使用。 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目，作为参考资料学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能，需要能看懂代码，并且热爱钻研，自行调试。基于机器学习+深度学习+bert方法的虚假新闻检测项目源码.zip 虚假新闻检测项目，简单的nlp分类问题使用机器学习、深度学习和bert模型解决问题仓库中只上传了代码，大文件统统没有上传，下面网盘链接用于下载需要的大文件，照着文件夹融合网盘文件和代码文件即可 ### 问题描述数据集是中文微信消息，包括微信消息的Official Account Name，Title，News Url，Image Url，Report Content，label。Title是微信消息的标题，label是消息的真假标签（0是real消息，1是fake消息）。训练数据保存在train.news.csv，测试数据保存在test.news.csv。实验过程中先统计分析训练数据【train.news.csv】。根据train.news.csv中的Title文字训练模型，然后在test.news.csv上测试，给出Precision, Recall, F1-Score, AUC的结果。 ### 环境配置使用anaconda集成开发环境，pytorch深度学习框架 ### 方法介绍 #### 机器学习模型主要流程就是数据加载、预处理、特征工程、模型训练与评估，nlp的任务需要将文本数据转换成向量数据，这里用了词袋模型和`tyidf`两张方法。代码在`traditional.py`中，都有现成的包用，简单调包调参就行，使用了随机森林、支持向量机、朴素贝叶斯、逻辑回归等方法，有的算法可以加入网格搜索与交叉验证调参，不过感觉如果想继续优化可能得在特征工程部分下手。最后得到的结果： | 使用模型 | 向量化方法 | acc | recall(1) | precision（1） | auc | | :------------------------------: | :--------: | :----: | :-------: | :------------: | :--: | | 朴素贝叶斯+jieba精确模式 | 词袋模型 | 84.33% | 0.60 | 0.47 | 0.74 | | 同上 | tyidf | 88.97% | 0.33 | 0.80 | 0.66 | | 高斯内核支持向量机+jieba搜索引擎 | 词袋模型 | 86.62% | 0.10 | 0.84 | 0.55 | | 同上 | tyidf | 91.21% | 0.46 | 0.89 | 0.72 | | 随机森林+jieba精确模式 | 词袋模型 | 87.03% | 0.12 | 0.97 | 0.56 | | 同上 | tyidf | 87.18% | 0.13 | 0.98 | 0.56 | | 逻辑回归+jieba精确模式 | 词袋模型 | 90.48% | 0.50 | 0.77 | 0.74 | | 同上 | tyidf | 89.33% | 0.37 | 0.79 | 0.68 | #### 神经网络解决。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

TextCNN Pytorch实现中文文本分类论文参考依赖项 python3.5 pytorch == 1.0.0 torchtext == 0.3.1 jieba == 0.39 词向量（这里用的是Zhihu_QA知乎问答训练出来的单词Word2vec）用法 python3 main.py -h 训练 python3 main.py 准确率 CNN-rand随机初始化嵌入 python main.py Batch[1800] - loss: 0.009499 acc: 100.0000%(128/128) Evaluation - loss: 0.0000

37,743

社区成员

34,213

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

试试用AI创作助手写篇文章吧

+ 用AI写文章