既然是找到了不錯的工作，自然不敢怠慢，作為入職前的準備自己找了個任務幹，再熟悉一下語義識別&文本分類的整個過程。

數據使用的是NLPCC2013的第二個任務，中文微博細粒度情感識別，現在在官網已經不太好找到合適的數據了，我用的是從CSDN上面下載的，tb花了幾塊錢解決。打開一看好家夥，還是xml格式的，有的裏面自帶標簽，有的不帶，還有的有另一套標簽和自帶的不一樣，真是醉了。於是就開始ML裏面最惡心的一步——數據清洗。粗略看了看當時的報告，竟然是先給一個小訓練集，然後放到一個大測試集上面跑，這準確率要是能高才怪的。當時基本上全都是用的ML+特征選擇的方法，準確率貌似50都算高的了。最後我拿到的包括兩個文件，是當時所謂的“訓練集”和“測試集”（兩個文件的數據分布在下面），數據裏面一共包括有1.4w條微博，每個微博裏面有若幹條句子，句子總數大概是4.5w。反正也不是真正去比賽，我就隨機把這4.5w個句子分成了0.8 + 0.1 + 0.1。

（當時的）測試集數據分布：

（當時的）訓練集數據分布：

可以看出，兩種數據集標簽都是一樣的，分布也可以說是差不多。主要特點就是沒有情緒占了大多數，其他情緒加起來和沒有情緒的差不多。在這裏就出現了很嚴重的數據偏斜，如果不進行特征提取的話DL模型對這樣的數據表現怎樣還很難說。

通過最後亂七八糟一通數據清晰，終於把數據成功分成了訓練集，驗證集合測試集，還有一個包含所有文本的用來做embedding。如果需要這些數據的話可以給我發郵件，[email protected]打包發給你。

在這裏也順便把python處理xml的程序po一下，主要是提醒自己別忘了哈哈

import xml.dom.minidom
 
import matplotlib.pyplot as plt

dom = xml.dom.minidom.parse(‘raw_test.xml‘)
output = open("test.txt", "w")
label_file = open(‘test_label.txt‘, "w")
root = dom.documentElement
nodes = dom.getElementsByTagName(‘sentence‘)
senti_list = []
tag_number = []
labels = []
counter = 0
‘‘‘
for i in label_file.readlines():
    labels.append(i.split()[3])
    print(i.split()[3])
 
‘‘‘

for n in nodes:
    try:
        print(n.childNodes[0].data, file=output)
        if n.getAttribute(‘emotion_tag‘) == "N":
            sentiment = "none"
        else:
            if n.getAttribute(‘emotion_tag‘) == "":
                sentiment = "none"
            else:
                sentiment = n.getAttribute(‘emotion-1-type‘)
        print(sentiment, file=label_file)
        counter += 1
        if sentiment in senti_list:
            tag_number[senti_list.index(sentiment)] += 1
        else:
            tag_number.append(1)
            senti_list.append(sentiment)
    except IndexError:
        continue

print(counter)
print(senti_list)
print(tag_number)

plt.bar(range(len(tag_number)), tag_number,tick_label=senti_list)
plt.show()

主要用到的包是xml.dom.minidom 具體他是幹啥的暫時就先不深究了，知道使用的步驟大概需要先解析，再根據標簽查找就好了，要找數據用childnode[0].data，要找屬性用getAttribute("xxx")

這樣的話最討厭的數據清洗就完成了！下一步就是如果制作出像樣的可以輸入到模型裏面的數據，並且構建詞典做embedding，由於其實像word2vec這種超大語料庫訓練的embedding不是很多而且這個微博數據裏面說實話五花八門什麽詞都有，所以打算自己訓練一個，也是順便練練手。下一步的工作主要是對數據做預處理並且合適的方法分好詞。希望可以一天弄好。886~

NLPCC2013中文微博細粒度情感識別（一）