Python 什么是适合多类文本分类的LSTM模型？Tensorflow 2.x

我正在从事一项从Myers-Briggs测试中预测性格类型的项目。我想为这个多类文本分类问题建立一个合适的LSTM模型

• 标签：共有16种人格类型
• 数据集有：70800个单词。其中80%用于培训数据，20%用于验证数据

---

大小：

• 训练数据（X_列车）：56640字
• 验证数据（Y_val）：14160字

train\u data\u padded.size
验证填充的大小

---

填充的：

培训和验证数据填充为最大长度240

例如：

training_padded=tf.keras.preprocessing.sequence.pad_sequences（训练_sequences，
maxlen=240，
数据类型='int32'，
padding='post'，
截断='post'，
值=0.0）

---

形状：

training padded:{train\u data\u padded.shape}
填充验证：{validation_padded.shape}
训练垫：（236240）
验证填充：（59240）

---

预期输出： 可以有两种类型的输出：

1输出：哪里是更准确的人格类型

16个输出：其中给出了16种类型的个性，显示了每个百分比的准确性

---

我尝试了什么？：我已经尝试了TF网站上的一些LSTM模型，但是，我想知道你自己对这个问题的答案

model=tf.keras.Sequential([
tf.keras.layers.嵌入（56640240），
双向（tf.keras.layers.LSTM（240）），
tf.keras.layers.Dense（240，活化='relu'），
#当我们有多个输出时，softmax将输出层转换为概率分布。
tf.keras.layers.Dense（16，活化='softmax'）
])
#损耗=tf.keras.loss.sparsecategoricalcrossention（from_logits=True）
compile（loss='sparse'\u categorical'\u crossentropy'，optimizer='adam'，metrics=['accurity']）
model.summary（）

---

---

在尝试结束问题之前，请提出任何改进建议，我们将予以考虑。

您的问题是什么？你的f1成绩太低了吗？keras代码乍一看很好。您是否尝试过简单的scikit学习模型？相比之下，你得到的f1分数是多少？我真的不明白你的f1分数是什么意思，当我使用它时，我得到的是亏损：nan，val:nan。我还有其他类似的问题，但我没有得到任何改善。

INTJ: 0,84%

INTJ: 0,5 | INTP: 0,45 | ENTP: 0,8 | ... | ISFP: 0,20