作业1：构建和评价商业文本多分类器

一、实验目标

• 掌握文本挖掘中语料的获取与预处理方法。
• 熟练使用不同算法构建和优化文本多分类模型。
• 学习如何科学地评估和比较多分类模型的性能。

二、实验内容与步骤

步骤1：语料获取

• 自行在公开渠道（如Github）寻找与商业相关的中文公开语料，适用于文本多分类任务。
• 在Jupyter Notebook中明确说明语料来源（附链接）及其具体用途。

步骤2：数据预处理

• 参考课堂提供的代码，对所选语料进行预处理（中文分词、去停用词、文本清洗等）。
• 在Jupyter Notebook中说明预处理具体操作。

步骤3：数据集划分

• 随机分层抽样划分训练集（60%）、开发集（20%）和测试集（20%）。
• 在Jupyter Notebook中简要说明划分方法及原因。

步骤4：模型训练与调优

• 至少使用两种算法构建多分类器（如朴素贝叶斯、逻辑回归、支持向量机、随机森林）。
• 使用开发集进行超参数调优，记录调优过程和最优参数。

步骤5：模型评估

• 计算测试集上各模型的precision、recall、F1-score宏平均值。
• 绘制并分析各模型的混淆矩阵。
• 对不同模型结果进行统计显著性检验，详细说明方法与结果。

三、实验提交要求

• 在Kaggle平台完成实验，每步均需详细解释。
• 导出Jupyter Notebook（ipynb格式）。
• 将ipynb文件和运行所需的全部数据文件压缩为ZIP格式，通过慕课平台在线提交。

四、参考资料

课程网站上的课件及配套代码。