RRepoGEO

REPOGEO 报告 · LITE

Lizhen0628/text_classification

默认分支 master · commit 76ae3516 · 扫描时间 2026/6/8 02:13:01

星标 518 · Fork 73

AI 可见性总分
30 /100
亟需修复
品类召回
0 / 2
在所有问题中均未被推荐
规则结果
通过 1 · 警告 0 · 失败 1
客观元数据检查
AI 认识你的名字
3 / 3
直接询问时，AI 是否点名你的仓库
如何阅读这份报告

行动计划告诉你下一步要做什么——按影响力排序、可直接复制粘贴的修改。品类可见性是真正的 GEO 测试：当用户向 AI 提一个不带品牌、本应让 Lizhen0628/text_classification 浮出水面的问题时，AI 是真的推荐了你，还是推荐了你的竞品？客观检查验证 AI 引擎最先权衡的那些元数据信号。自指检查判断 AI 是否还认识你的名字。

行动计划 — 可复制粘贴的修复

3 条由 gemini-2.5-flash 生成、按优先级排序的修改。修完后请把对应条目标记为完成。

整体方向
  • hightopics#1
    Add specific topics for text classification and model comparison

    原因：

    当前
    (none)
    复制粘贴的修复
    text-classification, deep-learning, nlp, rnn, lstm, gru, fasttext, textcnn, dpcnn, transformers, model-comparison, multi-label-classification
  • highlicense#2
    Add a LICENSE file to clarify usage rights

    原因：

    当前
    (no LICENSE file detected)
    复制粘贴的修复
    (Create a LICENSE file, e.g., MIT or Apache-2.0, and add it to the repository root.)
  • mediumreadme#3
    Reposition the README's opening to emphasize model comparison

    原因：

    当前
    # V2

1. V2 版本与V1版本不兼容.v2版本从配置文件可读性，代码复用解耦等方面进行了优化。
2. 添加了多标签文本分类。
    复制粘贴的修复
    这个项目提供了一个统一的框架，用于实现和高效比较多种深度学习文本分类模型，包括RNN、LSTM、GRU、FastText、TextCNN、DPCNN、RNN-ATT、LSTM-ATT，并兼容Hugging Face Transformers作为词嵌入。它支持二分类、多分类和多标签分类任务，并专注于代码复用和配置文件的可读性。

本次扫描解析到的品类 GEO 通道：google/gemini-2.5-flash, deepseek/deepseek-v4-flash

品类可见性 — 真正的 GEO 测试

向 google/gemini-2.5-flash 提出的不带品牌问题。AI 推荐了你，还是推荐了别人？

各模型使用同一组问题 — 切换标签对比回答与排名。

召回
0 / 2
0% 的问题里出现了 Lizhen0628/text_classification
平均排名
—
越小越好。#1 表示首位推荐。
声量占比
0%
在所有被点名的工具中，你占了多少？
头号对手
Hugging Face Transformers
在 2 个问题中被推荐 2 次
竞品排行
  1. Hugging Face Transformers · 被推荐 2 次
  2. Keras · 被推荐 2 次
  3. PyTorch Lightning · 被推荐 2 次
  4. fastText · 被推荐 1 次
  5. scikit-learn · 被推荐 1 次
  • 品类问题
    What are good libraries for comparing various deep learning text classification models efficiently?
    你：未被推荐
    AI 推荐顺序：
    1. Hugging Face Transformers
    2. Keras
    3. PyTorch Lightning
    4. fastText
    5. scikit-learn

    AI 推荐了 5 个替代方案，却始终没点名 Lizhen0628/text_classification。这就是要补上的差距。

    查看 AI 完整回答
  • 品类问题
    Seeking a Python framework for multi-label text classification using transformer embeddings and CNN/RNN.
    你：未被推荐
    AI 推荐顺序：
    1. Hugging Face Transformers
    2. PyTorch
    3. TensorFlow
    4. Keras
    5. PyTorch Lightning
    6. fast.ai
    7. Flair

    AI 推荐了 7 个替代方案，却始终没点名 Lizhen0628/text_classification。这就是要补上的差距。

    查看 AI 完整回答

客观检查

针对 AI 引擎最看重的元数据信号的规则审计。

  • Metadata completeness
    fail

    建议：

  • README presence
    pass

自指检查

当被直接问到你时，AI 是否还知道你的仓库存在？

  • Compared to common alternatives in this category, what is the core differentiator of Lizhen0628/text_classification?
    pass
    AI 明确点名了 Lizhen0628/text_classification

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • If a team adopts Lizhen0628/text_classification in production, what risks or prerequisites should they evaluate first?
    pass
    AI 明确点名了 Lizhen0628/text_classification

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

  • In one sentence, what problem does the repo Lizhen0628/text_classification solve, and who is the primary audience?
    pass
    AI 明确点名了 Lizhen0628/text_classification

    AI 的回答可能信誓旦旦却是错的。请按事实核对：技术栈、目标人群、差异化点是不是和你实际的对得上？

嵌入你的 GEO 徽章

把这个徽章贴进 Lizhen0628/text_classification 的 README。每次重新扫描都会自动更新，并跳到最新报告——是「我在乎 AI 可发现性」最简单的公开证明。

RepoGEO badge preview实时预览
MARKDOWN（README）
[![RepoGEO](https://repogeo.com/badge/Lizhen0628/text_classification.svg)](https://repogeo.com/zh/r/Lizhen0628/text_classification)
HTML
<a href="https://repogeo.com/zh/r/Lizhen0628/text_classification"><img src="https://repogeo.com/badge/Lizhen0628/text_classification.svg" alt="RepoGEO" /></a>
Pro

订阅 Pro，解锁深度诊断

Lizhen0628/text_classification — 轻量扫描仍免费；本卡列出 Pro 相对轻量的深度额度。

  • 深度报告每月 10 次
  • 无品牌品类查询5，轻量 2
  • 优先行动项8，轻量 3
Lizhen0628/text_classification — RepoGEO 报告