在文本分析中，其中有一类比较重要的应用就是将文本进行分类。这一类应用非常广泛，比如：情感分析［（正面、负面、中性）评价、（快乐、愤怒、痛苦）情感］、文章分类［汽车、时政、科技］等。
这里总结一些，防止遗忘。
分词 在Java平台上，一般可以使用Word分词，可以参考：https://my.oschina.net/apdplat/blog/228619，Github：https://github.com/ysc/word。WORD分词的作者，比较了各类主流分词软件的各种性能，可以参考：https://github.com/ysc/cws_evaluation。更详细的说明，可以参考作者的Github主页：https://github.com/ysc。
【文本分类】在Python平台上，最著名的莫过于Jieba分词包啦，没听过的可以自行百度。
词向量
Spark环境
使用Spark进行分类的一般步骤：
1. 输入样本，进行分词；
2. 输入分词之后的词组：一行表示一个输入样本，其中各个分词使用空格、逗号、分号等分割；
3. 使用HashingTF进行转换为向量；
4. 根据标签数据，进行训练；
5. 输入未分类样本，进行标签预测；
6. 计算准确率。
DL4J环境
使用DeepLearning4J训练文本分类，需要事先计算词向量：
1. 样本分词；
2. 计算词向量，并保存为向量文件；
3. 根据LSTM等网络模型，输入词向量，进行训练；
4. 得到训练结果，输出为文件。
注 为了得到更好的效果，涉及文本方面的模型，一般需要进行
1. 自定义词库：行业词库，实体词，名次，极性词库，情感词库等；
2. 进行其它的相关模型，比如word2vec、关键词提取等辅助模型，提高精确度；
3. 根据不同的语境、环境，进行特殊的处理，一般来说比较容易实现的就是指定一些”规则”。
推荐阅读
- C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
- paddle|动手从头实现LSTM
- pytorch|使用pytorch从头实现多层LSTM
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- pytorch|YOLOX 阅读笔记
- 前沿论文|论文精读（Neural Architecture Search without Training）
- 联邦学习|【阅读笔记】Towards Efficient and Privacy-preserving Federated Deep Learning
- OpenCV|OpenCV-Python实战（18）——深度学习简介与入门示例
- 深度学习|深度学习笔记总结
- 《繁凡的深度学习笔记》|一文绝对让你完全弄懂信息熵、相对熵、交叉熵的意义《繁凡的深度学习笔记》第 3 章 分类问题与信息论基础（中）（DL笔记整理