针对科技文章的多标签分类

0. 起

　　最近没有更新。暑假之后学的东西也比较杂，看了一下基于DL的智能美颜，感觉入了个大坑。前前后后看了传统的轮廓提取算法和FCN等等，调代码巴拉巴拉几个星期就这么过了。前几天看ACM的best paper也觉得很有意思，两个步骤：1）给图片打标题，属于多媒体计算和NLP的结合 2）由标题生成诗歌。感觉这里面可以学的东西也有很多。等项目结束论文写完一定好好的顺着学一遍，看京都大学团队说近期会公布数据集，不错不错。

　　最近是在看论文和弄实验室的项目。之前的短评预测预订明年的一个项目，而今年的题目是：新知识抽取与发现。主要是针对科技文章的，也就是知网文章。我在想怎么做这个题目的时候也是百般思考（因为这个题目是去年订的，没有经过我的手），如何体现新知识？抽取与发现在NLP倒是老生常谈，提取主题、摘要、关键字，发现无非也就是分类或者打标签。

　　之前已经毕业的师兄是有一套完整的单标签代码的，包含他的毕业论文一同给了我参考。这里也可以简单说一下打标签和分类的区别，也方便捋清思路。好比你在淘票票上买电影票，点进电影介绍，它会告诉你这是一部18R/成人向/.../的电影，这就是一个分类；而电影的类型是Comedy/Tragedy/.../Family and Comedy，这就是多标签，即可以存在交叉项或是合并项。所以我合计着师兄的单标签其实也就是分类....

　　为什么我不用师兄的呢，可以省很多事情，连答辩PPT都有改一改去糊弄一下甲方就完事。在我的理解里面，交叉学科最容易产生新知识，甚至是新科学。计算机+智能形成了近年来很火的人工智能领域，金融+数学的结合成为了金融工程，这都是新知识新领域的诞生。IG进入S赛决赛，那提及一下传媒+电竞+主持等等你能想到什么呢，不仅是新知识，新岗位也出现了。所以，从多标签的角度去阐述新知识更有意义。

1. 承

　　前面废话了很多，其实也就是想说明白我这个伪逻辑。既然针对知网文章，那么如何爬取一个文本--多标签对的数据集就尤为关键了。在这里我们也想了很多办法，包括知网本身也有一些奇奇怪怪的反爬机制，这一块我交给学弟去做了，也是煞费时间。

　　知网本身没有明显的多标签痕迹，它把文章的分类放在一个动态加载frame里面。我们按照高级检索栏的10来个大类*10来个子栏进行爬取，选取每篇文章的标题、摘要、多标签。目前进展有10W+数据，数据还在更新中。（用的学校的公网ip，似乎没有被封）为什么要按照这种方式爬取呢，主要是为了各个类别标签下的文章数量分布均匀。不然训练出某些词向量会导致比重失衡。

图1 按知网的分类进行爬取

　　然后具体每篇文章的爬取内容如下，多标签可以爬取一级、二级甚至三级标签。我们爬取了一级和二级。主要是防止三级标签太多导致稀疏问题，训练时难以收敛，测试时结果可以也会和预期相去甚远。当然具体的选择可以根据自己的项目来做决定。

图2 爬取内容

　　存放呢。所有数据先写入excel之后再进行整理。第一列设定一个ID，第二列标题，第三列摘要，第四列一级标签，第五列二级标签。然后将按文章，将题目和摘要整理到一个txt，标题一行摘要一行；将label整理到一个txt。这两个文件按id命名，只是后缀不同。最后再将所有的标签汇总到一个文件方便读写，一个标签一行。目前为止我们总共收集了120+标签。