【NLP】常规赛：中文新闻文本标题分类
热心网友
56
转载
该项目针对中文新闻文本标题分类任务，采用embedding+GRU+MLP模型，精度约0.8。先预处理数据，用Jieba分词，构建语料库和词向量映射，依标题长度分布设最大输入长度20。再搭建网络，训练时验证精度超0.9但测试精度较低，存在过拟合，可尝试BERT提升精度，适合新手参考。
项目导言：
该项目是我在针对 AI studio 常规赛：中文新闻文本标题分类搭建的项目，目前精度在0.8左右。只简单的使用了embedding+GRU+MLP,但是项目是从头开始搭建的，并没有使用一些复杂的模型，并且项目带有很多解释说明，所以可供新手朋友参考。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
(复杂的模型比如BERT,如果想提高精度，可以尝试使用该模型，模型的具体细节可以参考《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》)
项目思路
在看到这个项目之后，首先明确这是个分类任务，类似于手写数字识别这种，因此我们可以参照手写数字识别的思路处理该问题。
首先，对数据集进行预处理（包括去换行符，将标题与类别分离，创建项目语料库等等），然后将我们的输入进行向量化。在向量化过程中，我们使用了Python一个很正要的库：Jieba库。 它是优秀的中文分词第三方库，可以参考Jieba使用说明。然后使用Paddle框的数据集构建方法进行构建我们网络的输入。
然后，我们构建网络模型。对于手写数字识别网络，我们仅仅使用几层简单的全连接网络构建一个MLP多层感知机就可以获得比较好的结果，我们首先进行了这种尝试，结果不是很理想。然后鉴于这个是文本处理任务，我们使用了一个简单的循环神经网络（GRU，门控循环单元）和嵌入层来进行实验，在训练的时候取得不错的结果(val 精度超过0.9)，但是在提交之后效果并不是很好（test精度在0.8左右），说明我们的模型存在过拟合，还可以进一步优化。
1.导入工具包
In [1]import paddleimport numpy as npimport jiebaimport matplotlib.pyplot as pltfrom tqdm import tqdm登录后复制
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/__init__.py:107: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import MutableMapping/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/rcsetup.py:20: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import Iterable, Mapping/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:53: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working from collections import Sized登录后复制
2.定义文件路径
In [2]train_data_path="data/data118554/train.txt"val_data_path='data/data118554/dev.txt'test_data_path='data/data118554/test.txt'登录后复制
3. 读取文件
In [3]def openfile(path): with open(path,'r',encoding='utf-8') as source: lines=source.readlines() return lines登录后复制 In [4]
train_lines=openfile(train_data_path)val_lines=openfile(val_data_path)test_lines=openfile(test_data_path)登录后复制
3.1 打印数据集，查看数据集内容及数目
每条数据集是由 “新闻标题文本+类别（标签）”构成，中间由空格隔开。
In [5]print(len(train_lines))print(train_lines[0])print(len(val_lines))print(val_lines[0])print(len(test_lines))print(test_lines[0])登录后复制
752471网易第三季度业绩低于分析师预期科技80000网民市民集体幻想中奖后如果你中了9000万怎么办cai票83599北京君太百货璀璨秋色 满100省353020元登录后复制
4. 数据预处理，包括去换行、分割、jieba分词
In [6]def data_process(datalines,test=False): datalist=[] labellist=[] for datas in datalines: #data,label=datas.strip().split() data=datas.strip().split() #print(data) if test==False: labellist.append(data[-1]) if len(data[:-1])>1: for i in range(1,len(data[:-1])): data[0]+=","+data[i] else: if len(data)>1: for i in range(1,len(data)): data[0]+=","+data[i] datalist.append(data[0]) return datalist,labellist登录后复制 In [7]
train_data,train_label=data_process(train_lines)val_data,val_label=data_process(val_lines)test_data,_=data_process(test_lines,test=True)登录后复制
4.1 打印经过简单处理（删除换行符，将标题和类别分开）
In [8]for i in range(5): print(train_data[i],' ',train_label[i])print("***********")for i in range(5): print(val_data[i],' ',val_label[i]) print("***********")for i in range(5): print(test_data[i])登录后复制 网易第三季度业绩低于分析师预期 科技巴萨1年前地狱重现这次却是天堂,再赴魔鬼客场必翻盘 体育美国称支持向朝鲜提供紧急人道主义援助 时政增资交银康联,交行夺参股险商首单 股票午盘：原材料板块领涨大盘 股票***********网民市民集体幻想中奖后如果你中了9000万怎么办 cai票PVC期货有望5月挂牌 财经午时三刻新作《幻神录―宿命情缘》 游戏欧司朗LLFY网络提供一站式照明解决方案 家居试探北京楼市向何方：排不完的队,涨不够的价 房产***********北京君太百货璀璨秋色,满100省353020元教育部：小学高年级将开始学习性知识专业级单反相机,佳能7D单机售价9280元星展银行起诉内地客户,银行强硬客户无奈脱离中国的实际,强压RMB大幅升值只能是梦想登录后复制
4.2 Jieba库的使用
In [9]def jieba_process(datalist): data=[] for datas in tqdm(datalist): data.append(jieba.lcut(datas)) return data登录后复制 In [10]
train_data=jieba_process(train_data)val_data=jieba_process(val_data)test_data=jieba_process(test_data)登录后复制
0%| | 0/752471 [00:00登录后复制4.3 查看分词结果
In [11]print(train_data[0],train_label[0])print(val_data[0],val_label[0])print(test_data[0])登录后复制['网易', '第三季度', '业绩', '低于', '分析师', '预期'] 科技['网民', '市民', '集体', '幻想', '中奖', '后', '如果', '你', '中', '了', '9000', '万', '怎么办'] cai票['北京', '君太', '百货', '璀璨', '秋色', ',', '满', '100', '省', '353020', '元']登录后复制5.从训练集中提取标签种类,并进行类别编码
In [12]label_set=set()for label in tqdm(train_label): label_set.add(label)登录后复制100%|██████████| 752471/752471 [00:00<00:00, 2498469.87it/s]登录后复制 In [13]print(label_set)登录后复制{'财经', '科技', '时政', '房产', '社会', '游戏', '家居', '时尚', '股票', 'cai票', '娱乐', '教育', '星座', '体育'}登录后复制 In [14]label_dict=dict()dict_label=dict()for label in label_set: label_dict[label]=len(label_dict) dict_label[len(label_dict)-1]=label登录后复制 In [15]print(label_dict)print(dict_label)登录后复制{'财经': 0, '科技': 1, '时政': 2, '房产': 3, '社会': 4, '游戏': 5, '家居': 6, '时尚': 7, '股票': 8, 'cai票': 9, '娱乐': 10, '教育': 11, '星座': 12, '体育': 13}{0: '财经', 1: '科技', 2: '时政', 3: '房产', 4: '社会', 5: '游戏', 6: '家居', 7: '时尚', 8: '股票', 9: 'cai票', 10: '娱乐', 11: '教育', 12: '星座', 13: '体育'}登录后复制6.统计标题的长度分布
目的是确定我们网络的输入长度，由统计结果可以看出，绝大部分的标题分词后长度都在20以内，因此我们可以将网络是最大输入长度设为20.（亦可以设为实际的最大长度，虽然这样考虑到了所有的输入，但是没必要，因为很多输入会过于稀疏）
In [16]alllen_dict=dict()for data in train_data: length=len(data) if length not in alllen_dict: alllen_dict[length]=0 alllen_dict[length]+=1登录后复制 In [17]alllen_dict = sorted(alllen_dict.items(), key = lambda x:x[0], reverse = False)print(alllen_dict)登录后复制[(1, 25), (2, 225), (3, 941), (4, 4629), (5, 17045), (6, 36478), (7, 58085), (8, 80255), (9, 99215), (10, 106161), (11, 98791), (12, 88984), (13, 71851), (14, 47479), (15, 25321), (16, 10877), (17, 4111), (18, 1401), (19, 408), (20, 139), (21, 38), (22, 11), (24, 1)]登录后复制 In [18]x=[l[0] for l in alllen_dict]y=[l[1] for l in alllen_dict]plt.bar(x, y) plt.xlabel('length')plt.ylabel('nums')plt.legend(loc='lower right')plt.show()登录后复制/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working if isinstance(obj, collections.Iterator):/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working return list(data) if isinstance(data, collections.MappingView) else dataNo handles with labels found to put in legend.登录后复制登录后复制登录后复制7. 构建词库，并设定词汇频率阈值
7.1 词库
In [19]def build_cropus(data): crpous=[] for i in range(len(data)): crpous.extend(data[i]) return crpous登录后复制 In [20]allcrpous=build_cropus(train_data+val_data+test_data)print(len(allcrpous))登录后复制9404469登录后复制7.2 构造word--->id 和id--->word的映射关系，同时记录每个词汇出现的频率
In [21]# 构造词典，统计每个词的频率，并根据频率将每个词转换为一个整数iddef build_dict(corpus,frequency): # 首先统计每个不同词的频率（出现的次数），使用一个词典记录 word_freq_dict = dict() for word in corpus: if word not in word_freq_dict: word_freq_dict[word] = 0 word_freq_dict[word] += 1 # 将这个词典中的词，按照出现次数排序，出现次数越高，排序越靠前 word_freq_dict = sorted(word_freq_dict.items(), key = lambda x:x[1], reverse = True) # 构造3个不同的词典，分别存储， # 每个词到id的映射关系：word2id_dict # 每个id到词的映射关系：id2word_dict word2id_dict = {'登录后复制 In [22]':0,' ':1} id2word_dict = {0:' ',1:' '} # 按照频率，从高到低，开始遍历每个单词，并为这个单词构造一个独一无二的id for word, freq in word_freq_dict: if freq>frequency: curr_id = len(word2id_dict) word2id_dict[word] = curr_id id2word_dict[curr_id] = word else: word2id_dict[word]=1 return word2id_dict, id2word_dict,word_freq_dict word_fre=1word2id_dict,id2word_dict,word_counts=build_dict(allcrpous,word_fre)print(len(word2id_dict))print(len(id2word_dict))登录后复制267684149017登录后复制 In [23]vocab_maxlen=len(word2id_dict)print('有',len(word2id_dict),'个字被映射到',len(id2word_dict),'个id上') # 字：id登录后复制有 267684 个字被映射到 149017 个id上登录后复制7.3 根据每个词汇出现的频率统计 每个频率出现的次数；进而限定词汇频率阈值
In [24]counts_word_dict=dict()for word,counts in word_counts: if counts not in counts_word_dict: counts_word_dict[counts]=0 counts_word_dict[counts]+=1counts_word_dict = sorted(counts_word_dict.items(), key = lambda x:x[0], reverse = False)#print(counts_word_dict)x=[l[0] for l in counts_word_dict]y=[l[1] for l in counts_word_dict]plt.bar(x[:10], y[:10]) plt.xlabel('frequency')plt.ylabel('nums')plt.legend(loc='lower right')plt.show()登录后复制No handles with labels found to put in legend.登录后复制登录后复制登录后复制7.4 总共的词汇有26万7千个，而仅出现1次的词汇就占了12万个，我们可以认为仅出现1次的词汇是无关紧要的。 根据这个结果，确定word_freq=1,之后也可进行实验验证其他长度是否更优。
8.根据word2id_dict将标题文本和标签向量化
In [25]tensor_maxlen=15 # 根据统计到的标题长度分布设定vocab_size=len(id2word_dict) # 词汇量登录后复制 In [26]def build_tensor(data,dicta,maxlen): tensor=[] for i in range(len(data)): subtensor=[] lista=data[i] for j in range(len(lista)): index=dicta.get(lista[j]) subtensor.append(index) # 长度限定，不足补0 ；超过则截断 if len(subtensor) < maxlen: subtensor+=[0]*(maxlen-len(subtensor)) else: subtensor=subtensor[:maxlen] tensor.append(subtensor) return tensor登录后复制 In [27]train_tensor=paddle.to_tensor(np.array(build_tensor(train_data,word2id_dict,tensor_maxlen)))val_tensor=paddle.to_tensor(np.array(build_tensor(val_data,word2id_dict,tensor_maxlen)))test_tensor=np.array(build_tensor(test_data,word2id_dict,tensor_maxlen))登录后复制 In [28]print(train_tensor.shape)print(train_tensor[0])print(type(train_tensor))print(val_tensor.shape)print(val_tensor[0])print(type(val_tensor))print(test_tensor.shape)print(test_tensor[0])print(type(test_tensor))登录后复制[752471, 15]登录后复制W1222 21:06:31.478082 1304 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1W1222 21:06:31.482895 1304 device_context.cc:465] device: 0, cuDNN Version: 7.6.登录后复制Tensor(shape=[15], dtype=int64, place=CUDAPlace(0), stop_gradient=True, [2739, 2054, 216 , 2193, 1240, 121 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 , 0 ])登录后复制[80000, 15]Tensor(shape=[15], dtype=int64, place=CUDAPlace(0), stop_gradient=True, [1580, 1539, 677 , 3582, 4690, 42 , 6238, 75 , 41 , 69 , 3930, 32 , 9496, 0 , 0 ]) (83599, 15)[ 60 59529 4269 9297 69435 2 6721 572 2403 1 16 0 0 0 0] #将token出现的频率保存到文件中。
with open('./data/word_counts.txt','w',encoding='utf-8') as word: for i in word_counts: word.write(str(i)+'\n')
到这里，data部分的向量化完成，下面进行label的向量化
In [29]print(train_label[0])print(val_label[0])print(label_dict)def get_label_tensor(dict,label): tensor=[] for d in label: tensor.append(dict[d]) return tensor# def test_lable_tensor(lena):# tensor=[]# for i in range(lena):# tensor.append(0)# return tensor登录后复制科技cai票{'财经': 0, '科技': 1, '时政': 2, '房产': 3, '社会': 4, '游戏': 5, '家居': 6, '时尚': 7, '股票': 8, 'cai票': 9, '娱乐': 10, '教育': 11, '星座': 12, '体育': 13}登录后复制 In [30]train_label_tensor=np.array(get_label_tensor(label_dict,train_label))val_label_tensor=np.array(get_label_tensor(label_dict,val_label))# test_lable_tensor=np.array(test_label_tesnor(len(test_tensor)))登录后复制 In [31]print(train_label_tensor[0])登录后复制1登录后复制 In [32]numclass=len(label_set)train_label_tensor=paddle.to_tensor(train_label_tensor,dtype='int64')val_label_tensor=paddle.to_tensor(val_label_tensor,dtype='int64')# test_label_tensor=paddle.to_tensor(test_label_tensor,dtype='int64')# train_label_tensor=paddle.nn.functional.one_hot(paddle.to_tensor(train_label_tensor,dtype='int32'),numclass)# val_label_tensor=paddle.nn.functional.one_hot(paddle.to_tensor(val_label_tensor,dtype='int32'),numclass)登录后复制 In [33]print(type(train_label_tensor))print(train_label_tensor[0])print(train_label_tensor.shape)print(val_label_tensor.shape)# print(test_label_tensor.shape)登录后复制登录后复制Tensor(shape=[1], dtype=int64, place=CUDAPlace(0), stop_gradient=True, [1])[752471][80000] 9.搭建网络
9.1创建数据集
In [34]class MyDataset(paddle.io.Dataset): """ 步骤一：继承paddle.io.Dataset类 """ def __init__(self, title,lable): """ 步骤二：实现构造函数，定义数据集大小 """ super(MyDataset, self).__init__() self.title = title self.lable=lable def __getitem__(self, index): """ 步骤三：实现__getitem__方法，定义指定index时如何获取数据，并返回单条数据（训练数据，对应的标签） """ # if self.lable==None: # return self.title[index] # else: return self.title[index], self.lable[index] def __len__(self): """ 步骤四：实现__len__方法，返回数据集总数目 """ return self.title.shape[0]登录后复制 In [35]BATCH_SIZE=128embed_dim=256hidden_size=128train_batch_num=train_tensor.shape[0]//BATCH_SIZE #3482val_batch_num=val_tensor.shape[0]//BATCH_SIZE #156print(train_batch_num)print(val_batch_num)登录后复制5878625登录后复制 In [36]# 定义数据集train_dataset = MyDataset(train_tensor,train_label_tensor)train_loader = paddle.io.DataLoader(train_dataset, batch_size=BATCH_SIZE, shuffle=True,drop_last=True)val_dataset=MyDataset(val_tensor,val_label_tensor)val_loader=paddle.io.DataLoader(val_dataset,batch_size=BATCH_SIZE,shuffle=True,drop_last=True)# test_dataset=MyDataset(test_tensor,train_label_tensor)# test_loader=paddle.io.DataLoader(val_dataset,batch_size=BATCH_SIZE)登录后复制j=0 for i in train_loader: print(len(i)) for ind,each in enumerate(i): #print(ind,each.shape,each) print(ind,each) j+=1 if j==2: break
9.2 使用Embedding+GRU+MLP进行分类
GRU的内部结构如下，但是我们在使用的时候只需要一行代码即可。
In [37]
class Mynet(paddle.nn.Layer): def __init__(self,vocab_size,embed_dim,hidden_size,data_maxlen,numclass): super(Mynet,self).__init__() self.numclass=numclass self.data_maxlen=data_maxlen self.vocab_size=vocab_size self.embed_dim=embed_dim self.emb=paddle.nn.Embedding(vocab_size,embed_dim) self.gru=paddle.nn.GRU(embed_dim,hidden_size,2) self.l1=paddle.nn.Linear(hidden_size,64) self.l2=paddle.nn.Linear(64,32) self.l3=paddle.nn.Linear(32,self.numclass) self.drop=paddle.nn.Dropout(0.5) def forward(self,x): x=self.emb(x) x,states=self.gru(x) x=paddle.mean(x,axis=1) x=self.drop(x) out=paddle.nn.functional.relu(self.l1(x)) out=self.drop(out) out=paddle.nn.functional.relu(self.l2(out)) out=self.l3(out) out=paddle.nn.functional.softmax(out,axis=-1) return out登录后复制 In [38]mynet=Mynet(vocab_size,embed_dim,hidden_size,tensor_maxlen,numclass)登录后复制 In [39]paddle.summary(mynet,(128,15),dtypes='int64')登录后复制-------------------------------------------------------------------------------------- Layer (type) Input Shape Output Shape Param # ====================================================================================== Embedding-1 [[128, 15]] [128, 15, 256] 38,148,352 GRU-1 [[128, 15, 256]] [[128, 15, 128], [2, 128, 128]] 247,296 Dropout-1 [[128, 64]] [128, 64] 0 Linear-1 [[128, 128]] [128, 64] 8,256 Linear-2 [[128, 64]] [128, 32] 2,080 Linear-3 [[128, 32]] [128, 14] 462 ======================================================================================Total params: 38,406,446Trainable params: 38,406,446Non-trainable params: 0--------------------------------------------------------------------------------------Input size (MB): 0.01Forward/backward pass size (MB): 6.04Params size (MB): 146.51Estimated Total Size (MB): 152.56--------------------------------------------------------------------------------------登录后复制{'total_params': 38406446, 'trainable_params': 38406446}登录后复制 In [40]epochs = 20lr=0.001log_freq=1000model_path='./model/train_model'登录后复制9.3训练网络
In [41]model=paddle.Model(mynet)# 为模型训练做准备，设置优化器，损失函数和精度计算方式model.prepare(optimizer=paddle.optimizer.Adam(learning_rate=lr,parameters=model.parameters()), loss=paddle.nn.CrossEntropyLoss(), metrics=paddle.metric.Accuracy())登录后复制 In [ ]model.fit(train_data=train_loader, eval_data=val_loader, epochs=epochs, eval_freq=1, save_freq=5, save_dir=model_path, verbose=1, callbacks=[paddle.callbacks.VisualDL('./log')])登录后复制9.4 训练精度展示 20epochs:
In [43]
model.save('./model/infer')登录后复制10.加载网络进行预测
10.1 加载训练好的模型
In [44]infer_model=paddle.Model(Mynet(vocab_size,embed_dim,hidden_size,tensor_maxlen,numclass))infer_model.load('./model/infer')登录后复制 In [45]with open('result.txt','w',encoding="utf-8") as res: for title in test_tensor: re = infer_model.predict_batch([[title]]) #print(re) index=paddle.argmax(paddle.to_tensor(re)) index=int(index[0]) #print(type(index)) #print(dict_label[index]) res.write(dict_label[index]+'\n')print('_____________over__________over______________')登录后复制/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/tensor/creation.py:130: DeprecationWarning: `np.object` is a deprecated alias for the builtin `object`. To silence this warning, use `object` by itself. Doing this will not modify any behavior and is safe. Deprecated in NumPy 1.20; for more details and guidance: https://numpy.org/devdocs/release/1.20.0-notes.html#deprecations if data.dtype == np.object:登录后复制_____________over__________over______________登录后复制
免责声明：
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关攻略
Pywinrm 通过Windows远程管理（WinRM）协议，让Python能够像操作本地一样执行远程Windows命令，真正打通了跨平台管理的最后一公里。 在混合IT环境中，Linux机器管理Wi
早些时候，聊过 Python 领域那场惊心动魄的供应链攻击。当时我就感叹，虽然我们 JavaScript 开发者对这类套路烂熟于心，但亲眼目睹这种规模的“投毒”还是头一次。 早些时候，聊过 Pyth
Toga 是 BeeWare 家族的核心成员，号称“写一次，跑遍所有平台”，而且用的是系统原生控件，不是那种一看就是网页套壳的界面 。 写了这么多年 Python，你是不是也想过：要是能一套代码跑
异常处理的核心：让错误在正确的地方被有效处理。正确的地方，就是别在底层就把异常吞了，也别在顶层还抛裸奔的 Exception。 异常处理写得好，半夜不用起来改 bug。1 你是不是也这么干过？tr
1 Skills机制概述 提起OpenClaw的Skills机制，不少人可能会把它想象成传统意义上的可执行插件。其实，它的内涵要更精妙一些。 简单说，Skills本质上是一套基于提示驱动的能力扩展机制。它并不是一个可以独立“跑”起来的程序模块，而是通过一份结构化描述文件（核心就是那个SKILL m
热门专题
刀塔传奇破解版无限钻石下载大全
2025-08-05
洛克王国正式正版手游下载安装大全
2025-08-05
热门推荐
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票