推特/通用分类训练语料

Question

有人知道任何好的广泛的 Twitter 分类语料库吗？

我正在寻找广泛的类别，例如：
- 运动
- science/technology
- 食物
- 健康
- 娱乐
- 音乐
- 游戏
- 金融
- 教育
- 政治
- 电视
- 宗教
- 电机
- 冲突

（我认为这几乎涵盖了所有内容）

有非常好的链接资源 here，但它们很具体：

Reuters 特定于商品和自然资源
20Newsgroups 看起来像美国报纸
Medir 心血管医学数据

编辑
这非常令人兴奋。我找到了这个 database via sklearn. Here is the list of all categories。看起来它包含我正在寻找的东西。我将不得不学习如何做，然后实现它，所以如果它有效，我必须回复你们...

Answer 1

主要是成功！虽然这不是 twitter 优化的训练数据集，但似乎更适合一般文本分类。
好吧，这比希望的要尴尬得多。首先，

from sklearn.datasets import fetch_rcv1
rcv1 = fetch_rcv1()

创建了一个我不知道如何使用的数据集。数据是 47236 维向量而不是文本标记，没有明显或记录（我能找到）的方式来处理它。所以我不得不走很长的路。

查看datasource，可以下载令牌文件。它们被分成 5 块：

lyrl2004_tokens_train.dat, 
lyrl2004_tokens_test_pt0.dat, 
lyrl2004_tokens_test_pt1.dat, 
lyrl2004_tokens_test_pt2.dat, 
lyrl2004_tokens_test_pt3.dat,

一个文件包含所有分类：

rcv1-v2.topics.qrels

作为一个有用的旁注，对于像这样的大量文件，只查看一些数据以了解您正在处理的内容是很有用的。例如，在 linux 中，您可以执行 head -5 rcv1-v2.topics.qrels 查看分类数据的前 5 行。

这些文件可以通过 id 链接。因此，我创建了一个字典，其中包含所有 id 及其相应的文本标记和分类。我用字典来做这件事的原因是，这是一个相当缓慢的过程，而不是仅仅创建两个包含所有值和错误的列表，因为我不知道数据文件是否 100% 匹配。

我的字典看起来是这样的：
dTrainingData = {'2286': {lsTokens: [...], lsCats: [...]}}

然后，我创建了 2 个 numpy 数组，一个用于标记，一个用于类别。这些需要先处理。因此，您可以这样训练模型：

def categorize(sText):
    import numpy as np
    aTokens = np.array([d['lsTokens'] for d in dTrainingData.values()], str)
    lCats = [d['lsCats'] for d in dTrainingData.values()]

    print("creating binary cats")

    from sklearn import preprocessing
    oBinarizer = preprocessing.MultiLabelBinarizer()
    aBinaryCats = oBinarizer.fit_transform(lCats)

    from sklearn.multiclass import OneVsRestClassifier
    from sklearn.feature_extraction.text import TfidfTransformer
    from sklearn.svm import LinearSVC
    from sklearn.feature_extraction.text import CountVectorizer
    from sklearn.pipeline import Pipeline

    oClassifier = Pipeline([
        ('vectorizer', CountVectorizer()),
        ('tfidf', TfidfTransformer()),
        ('clf', OneVsRestClassifier(LinearSVC()))])

    print("fitting data to classifier...")
    oClassifier.fit(aTokens, aBinaryCats)

    aText = np.array([sText])

    aPredicted = oClassifier.predict(aText)
    lAllCats = oBinarizer.inverse_transform(aPredicted)

结果喜忧参半。如果您查看 list of categories，您会注意到很多类别都是金融类别，而不是我想要的均匀分布。所以我确实有很多想念。但是，它创建了一个坚实的基础，并且使用上面突出显示的脚手架，看起来很容易只需将 tokens/category 添加到 dTrainingData 字典以获取更具体的类别。

Answer 2

我找到了另一种更简单的方法。有一项名为 Meaning Cloud 的服务，它通过非常好的 API 对您发送的文本进行分类。

这是一个demo，但用我自己的话来说，python：

import requests

sUrl = "http://api.meaningcloud.com/class-1.1"
sKey = #your key - Need to sign up
sText = #your text of type str that you want categorized.
sModel = "IPTC_en"  #or whatever other model you want to use. 

sPayload = "key={}&txt={}&model={}".format(sKey, sText, sModel)
dHeaders = {'content-type': 'application/x-www-form-urlencoded'}

oResponse = requests.request("POST", sUrl, data=sPayload, headers=dHeaders)

dResponse = json.loads(oResponse.text)

More info on models
您需要注册才能使用它，您每秒可以执行 2 个请求，每月最多 40k 个免费请求。您需要支付更多费用，但我认为这很公平。

这是一个nice and visual tree representation of the solution space, and some general info. List of table representation

推特/通用分类训练语料

Twitter/ general categorisation training corpus

python

twitter

machine-learning

categorization