第十届大学生服务外包大赛（一等奖解决方案）--A01商品短文本分类。采用基于Keras的Word2vec、CNN、Bi-LSTM、Attention、Adversarial等方法实现商品短文本分类任务。基于Flask框架开发模型的可视化交互软件，支持单条文本以及批量文本的分类处理。
模型在50w数据集上的表现(训练集:测试集=40w:10w)
| Model | Accurancy |
|---|---|
| TextCNN | 0.8820 |
| BiLSTM | 0.8990 |
| BiLSTM-Attention | 0.9056 |
| Adv-BiLSTM-Attention | 0.9156 |
| TextCNN(word) +BiLSTM-Attention(word) +BiLSTM-Attention(char) +Adv-BiLSTM-Attention(word)+Adv-BiLSTM-Attention(char) [加权融合] | 0.9201 |
Keras==2.0.5+ Python3.6+ pandas==0.20.3 Flask==0.12.2 xlrd==1.1.0 jieba==0.39 tensorflow==1.4.0 h5py==2.7.0 Keras==2.0.5 numpy==1.14.2
public training dataset 50w(提取码：ac2c)
Attention-wight-norm-WithPositionEmbedding(0.9088).h5(提取码：tf4a)
GRUAttention(0.9175799998474121).h5(提取码：epnq)
TextBiLSTM-weightnorm(0.9156999999237061).h5(提取码：1u3b)
word embedding matrix and the sentence length info of dataset(提取码：ki3e)
1、git clone https://github.com/SaulZhang/Short-Text-classification.git
2、python webGUI.py
3、在浏览器的地址栏中输入：http://127.0.0.1:8000/
商品文本分类(Commodity Text Classfication)
在单条数据分类对应的文本输入框内输入商品名称，然后点击“单个数据分类”按钮，等待模型识别，识别结束后将跳转界面，输出分类结果。若要进行下一次分类，请点击“返回”按钮，重复执行上述操作。
批量分类时，需要选择待识别的文件(该软件仅支持'.txt','.tsv'两种格式的文件，若选择其他格式的文件，软件将给出错误提示)，合法的文件格式为，第一行单独一行为"ITEM_NAME"表示标题(不包含其他分隔符，若文件的内容格式不正确，软件将会给出错误提示，具体内容格式如下图所示)，随后的每一行表示一件商品的名称。待选择正确格式内容的文件之后，点击"批量数据分类"按钮，等待模型识别，识别结束后将跳转界面，输出文件中前200条数据的分类结果。最终识别结果的文件将保存在工程文件夹中的'./result/'文件夹下面。
Microsoft Edge 41.16299.967.0+、Firefox66.0.1+、Chrome72.0.3626.96+
@Saul Zhang、@Caiyuan-Zheng、@searcher408、@jvyvkai、@Chinazzh8796