目录
前言:
一、论文笔记
二、Keras文本预处理
1、读取数据集
2、将文字转换成数字特征
3、将每条文本转换为数字列表
4、将每条文本设置为相同长度
5、将每个词编码转换为词向量
6、Keras文本预处理代码实现
三、基于keras的TextCNN模型的构建、训练与测试
1、基础版CNN(模仿LeNet-5)
2、简单版TextCNN
3、使用Word2Vec词向量的TextCNN
四、绘制TextCNN模型结构图
1、环境配置
2、绘制模型图
五、keras模型的保存与加载
前言:
深度学习模型在计算机视觉与语音识别方面取得了卓越的成就,在 NLP 领域也是可以的。将卷积神经网络CNN应用到文本分类任务,利用多个不同size的kernel来提取句子中的关键信息(类似 n-gram 的关键信息),从而能够更好地捕捉局部相关性。
文本分类是自然语言处理领域最活跃的研究方向之一,目前文本分类在工业界的应用场景非常普遍,从新闻的分类、商品评论信息的情感分类到微博信息打标签辅助推荐系统,了解文本分类技术是NLP初学者比较好的切入点,较简单且应用场景高频。
一、论文笔记
1、Yoon Kim在 “Convolutional Neural Networks for Sentence Classification” 论文中提出TextCNN(利用卷积神经网络对文本进行分类的算法)(该论文翻译)。
上图很好地诠释了模型的框架。假设我们有一些句子需要对其进行分类。句子中每个词是由n维词向量组成的,也就是说输入矩阵大小为m*n,其中m为句子长度。CNN需要对输入样本进行卷积操作,对于文本数据,filter不再横向滑动,仅仅是向下移动,有点类似于N-gram在提取词与词间的局部相关性。图中共有三种步长策略,分别是2,3,4,每个步长都有两个filter(实际训练时filter数量会很多)。在不同词窗上应用不同filter,最终得到6个卷积后的向量。然后对每一个向量进行最大化池化操作并拼接各个池化值,最终得到这个句子的特征表示,将这个句子向量丢给分类器进行分类,至此完成整个流程。
(1)嵌入层(Embedding Layer)
通过一个隐藏层, 将 one-hot 编码的词投影到一个低维空间中,本质上是特征提取器,在指定维度中编码语义特征。这样, 语义相近的词, 它们的欧氏距离或余弦距离也比较近。(作者使用的单词向量是预训练的,方法为fasttext得到的单词向量,当然也可以使用word2vec和GloVe方法训练得到的单词向量)。
(2)卷积层(Convolution Laye)
在处理图像数据时,CNN使用的卷积核的宽度和高度的一样的,但是在text-CNN中,卷积核的宽度是与词向量的维度一致!这是因为我们输入的每一行向量代表一个词,在抽取特征的过程中,词做为文本的最小粒度。而高度和CNN一样,可以自行设置(通常取值2,3,4,5),高度就类似于n-gram了。由于我们的输入是一个句子,句子中相邻的词之间关联性很高,因此,当我们用卷积核进行卷积时,不仅考虑了词义而且考虑了词序及其上下文(类似于skip-gram和CBOW模型的思想)。
(3)池化层(Pooling Layer)
因为在卷积层过程中我们使用了不同高度的卷积核,使得我们通过卷积层后得到的向量维度会不一致,所以在池化层中,我们使用1-Max-pooling对每个特征向量池化成一个值,即抽取每个特征向量的最大值表示该特征,而且认为这个最大值表示的是最重要的特征。当我们对所有特征向量进行1-Max-Pooling之后,还需要将每个值给拼接起来。得到池化层最终的特征向量。在池化层到全连接层之前可以加上dropout防止过拟合。
(4)全连接层(Fully connected layer)
全连接层跟其他模型一样,假设有两层全连接层,第一层可以加上’relu’作为激活函数,第二层则使用softmax激活函数得到属于每个类的概率。
(5)TextCNN的小变种
在词向量构造方面可以有以下不同的方式:CNN-rand: 随机初始化每个单词的词向量通过后续的训练去调整。CNN-static: 使用预先训练好的词向量,如word2vec训练出来的词向量,在训练过程中不再调整该词向量。CNN-non-static: 使用预先训练好的词向量,并在训练过程进一步进行调整。CNN-multichannel: 将static与non-static作为两通道的词向量。
(6)参数与超参数
sequence_length (Q: 对于CNN, 输入与输出都是固定的,可每个句子长短不一, 怎么处理?A: 需要做定长处理, 比如定为n, 超过的截断, 不足的补0. 注意补充的0对后面的结果没有影响,因为后面的max-pooling只会输出最大值,补零的项会被过滤掉)num_classes (多分类, 分为几类)vocabulary_size (语料库的词典大小, 记为|D|)embedding_size (将词向量的维度, 由原始的 |D| 降维到 embedding_size)filter_size_arr (多个不同size的filter)
2、“A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification”论文详细地阐述了关于TextCNN模型的调参心得。
(1)TextCNN详细过程:
Embedding:第一层是图中最左边的7乘5的句子矩阵,每行是词向量,维度=5,这个可以类比为图像中的原始像素点。Convolution:然后经过 kernel_sizes=(2,3,4) 的一维卷积层,每个kernel_size 有两个输出 channel。MaxPolling:第三层是一个1-max pooling层,这样不同长度句子经过pooling层之后都能变成定长的表示。FullConnection and Softmax:最后接一层全连接的 softmax 层,输出每个类别的概率。
(2)论文调参结论:
使用预训练的word2vec 、 GloVe初始化效果会更好。一般不直接使用One-hot。卷积核的大小影响较大,一般取1~10,对于句子较长的文本,则应选择大一些。卷积核的数量也有较大的影响,一般取100~600 ,同时一般使用Dropout(0~0.5)。激活函数一般选用ReLU 和 tanh。池化使用1-max pooling。随着feature map数量增加,性能减少时,试着尝试大于0.5的Dropout。评估模型性能时,记得使用交叉验证。
二、Keras文本预处理
1、读取数据集
2、将文字转换成数字特征
使用Tokenizer将文字转换成数字特征
使用Keras的Tokenizer模块实现转换。当我们创建了一个Tokenizer对象后,使用该对象的fit_on_texts()函数,可以将输入的文本中的每个词编号,编号是根据词频的,词频越大,编号越小。使用word_index属性可以看到每次词对应的编码。
3、将每条文本转换为数字列表
将数据集中的每条文本转换为数字列表,使用每个词的编号进行编号
使用该对象的texts_to_sequences()函数,将每条文本转变成一个向量。
4、将每条文本设置为相同长度
使用pad_sequences()让每句数字影评长度相同
由于每句话的长度不唯一,需要将每句话的长度设置一个固定值。将超过固定值的部分截掉,不足的在最前面用0填充。
5、将每个词编码转换为词向量
使用Embedding层将每个词编码转换为词向量
Embedding层基于上文所得的词编码,对每个词进行one-hot编码,每个词都会是一个vocabulary_size维的向量;然后通过神经网络的训练迭代更新得到一个合适的权重矩阵(具体实现过程可以参考skip-gram模型),行大小为vocabulary_size,列大小为词向量的维度,将本来以one-hot编码的词向量映射到低维空间,得到低维词向量。需要声明一点的是Embedding层是作为模型的第一层,在训练模型的同时,得到该语料库的词向量。当然,也可以使用已经预训练好的词向量表示现有语料库中的词。
文本预处理目的:将每个样本转换为一个数字矩阵,矩阵的每一行表示一个词向量。
6、Keras文本预处理代码实现
from sklearn.model_selection import train_test_splitimport pandas as pdimport jiebafrom keras.preprocessing.text import Tokenizerfrom keras.preprocessing.sequence import pad_sequencesif __name__=='__main__':dataset = pd.read_csv('sentiment_analysis/data_train.csv', sep='\t',names=['ID', 'type', 'review', 'label']).astype(str)cw = lambda x: list(jieba.cut(x))dataset['words'] = dataset['review'].apply(cw)tokenizer=Tokenizer() #创建一个Tokenizer对象#fit_on_texts函数可以将输入的文本中的每个词编号,编号是根据词频的,词频越大,编号越小tokenizer.fit_on_texts(dataset['words'])vocab=tokenizer.word_index #得到每个词的编号x_train, x_test, y_train, y_test = train_test_split(dataset['words'], dataset['label'], test_size=0.1)# 将每个样本中的每个词转换为数字列表,使用每个词的编号进行编号x_train_word_ids=tokenizer.texts_to_sequences(x_train)x_test_word_ids = tokenizer.texts_to_sequences(x_test)#序列模式# 每条样本长度不唯一,将每条样本的长度设置一个固定值x_train_padded_seqs=pad_sequences(x_train_word_ids,maxlen=50) #将超过固定值的部分截掉,不足的在最前面用0填充x_test_padded_seqs=pad_sequences(x_test_word_ids, maxlen=50)
三、基于keras的TextCNN模型的构建、训练与测试
1、基础版CNN(模仿LeNet-5)
LeNet-5是卷积神经网络的作者Yann LeCun用于MNIST识别任务提出的模型。模型很简单,就是卷积池化层的堆叠,最后加上几层全连接层。将其运用在文本分类任务中。
#构建CNN分类模型(LeNet-5)#模型结构:嵌入-卷积池化*2-dropout-BN-全连接-dropout-全连接def CNN_model(x_train_padded_seqs, y_train, x_test_padded_seqs, y_test):model = Sequential()model.add(Embedding(len(vocab) + 1, 300, input_length=50)) #使用Embeeding层将每个词编码转换为词向量model.add(Conv1D(256, 5, padding='same'))model.add(MaxPooling1D(3, 3, padding='same'))model.add(Conv1D(128, 5, padding='same'))model.add(MaxPooling1D(3, 3, padding='same'))model.add(Conv1D(64, 3, padding='same'))model.add(Flatten())model.add(Dropout(0.1))model.add(BatchNormalization()) # (批)规范化层model.add(Dense(256, activation='relu'))model.add(Dropout(0.1))model.add(Dense(3, activation='softmax'))pile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3) # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels,epochs=5, batch_size=800)y_predict = model.predict_classes(x_test_padded_seqs) # 预测的是类别,结果就是类别号y_predict = list(map(str, y_predict))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))
2、简单版TextCNN
#构建TextCNN模型#模型结构:词嵌入-卷积池化*3-拼接-全连接-dropout-全连接def TextCNN_model_1(x_train_padded_seqs,y_train,x_test_padded_seqs,y_test):main_input = Input(shape=(50,), dtype='float64')# 词嵌入(使用预训练的词向量)embedder = Embedding(len(vocab) + 1, 300, input_length=50, trainable=False)embed = embedder(main_input)# 词窗大小分别为3,4,5cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)cnn1 = MaxPooling1D(pool_size=48)(cnn1)cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)cnn2 = MaxPooling1D(pool_size=47)(cnn2)cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)cnn3 = MaxPooling1D(pool_size=46)(cnn3)# 合并三个模型的输出向量cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)flat = Flatten()(cnn)drop = Dropout(0.2)(flat)main_output = Dense(3, activation='softmax')(drop)model = Model(inputs=main_input, outputs=main_output)pile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3) # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels, batch_size=800, epochs=10)#y_test_onehot = keras.utils.to_categorical(y_test, num_classes=3) # 将标签转换为one-hot编码result = model.predict(x_test_padded_seqs) # 预测样本属于每个类别的概率result_labels = np.argmax(result, axis=1) # 获得最大概率对应的标签y_predict = list(map(str, result_labels))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))
3、使用Word2Vec词向量的TextCNN
w2v_model=Word2Vec.load('sentiment_analysis/w2v_model.pkl')# 预训练的词向量中没有出现的词用0向量表示embedding_matrix = np.zeros((len(vocab) + 1, 300))for word, i in vocab.items():try:embedding_vector = w2v_model[str(word)]embedding_matrix[i] = embedding_vectorexcept KeyError:continue#构建TextCNN模型def TextCNN_model_2(x_train_padded_seqs,y_train,x_test_padded_seqs,y_test,embedding_matrix):# 模型结构:词嵌入-卷积池化*3-拼接-全连接-dropout-全连接main_input = Input(shape=(50,), dtype='float64')# 词嵌入(使用预训练的词向量)embedder = Embedding(len(vocab) + 1, 300, input_length=50, weights=[embedding_matrix], trainable=False)#embedder = Embedding(len(vocab) + 1, 300, input_length=50, trainable=False)embed = embedder(main_input)# 词窗大小分别为3,4,5cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)cnn1 = MaxPooling1D(pool_size=38)(cnn1)cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)cnn2 = MaxPooling1D(pool_size=37)(cnn2)cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)cnn3 = MaxPooling1D(pool_size=36)(cnn3)# 合并三个模型的输出向量cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)flat = Flatten()(cnn)drop = Dropout(0.2)(flat)main_output = Dense(3, activation='softmax')(drop)model = Model(inputs=main_input, outputs=main_output)pile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3) # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels, batch_size=800, epochs=20)#y_test_onehot = keras.utils.to_categorical(y_test, num_classes=3) # 将标签转换为one-hot编码result = model.predict(x_test_padded_seqs) # 预测样本属于每个类别的概率result_labels = np.argmax(result, axis=1) # 获得最大概率对应的标签y_predict = list(map(str, result_labels))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))
四、绘制TextCNN模型结构图
使用keras的plot_model()画出的TextCNN模型结构图
1、环境配置
(1)安装graphviz模块
首先,命令行pip install graphviz;其次,安装graphviz软件,官网下载:graphviz-2.38.msi;最后,将安装目录中的graphviz-2.38\release\bin添加进Path环境变量。
(2)安装pydot模块
命令行pip install pydot
(3)在运行程序中加入下面两行代码
import osos.environ["PATH"] += os.pathsep + 'C:/Program Files (x86)/Graphviz2.38/bin/'
2、绘制模型图
使用plot_model()画出模型图
from keras.utils import plot_model#生成一个模型图,第一个参数为模型,第二个参数为要生成图片的路径及文件名,还可以指定两个参数:#show_shapes:指定是否显示输出数据的形状,默认为False#show_layer_names:指定是否显示层名称,默认为Trueplot_model(model,to_file='sentiment_analysis/model.png',show_shapes=True,show_layer_names=False)
模型图如下:
五、keras模型的保存与加载
from keras.models import load_model#模型的保存model.save('model.h5')#模型的加载model=load_model('model.h5')
TextCNN文本分类(keras实现)源代码及数据集资源下载:
项目实战-TextCNN文本分类(keras实现)源代码及数据集.zip-自然语言处理文档类资源-CSDN下载
参考学习资料:
(1)Keras之文本分类实现
(2)使用Keras进行深度学习
(3)NLP论文
(4)卷积神经网络(CNN)在句子建模上的应用
(5)用深度学习(CNN RNN Attention)解决大规模文本分类问题 - 综述和实践
(6)深度学习在文本分类中的应用
(7)深度学习与文本分类总结第一篇--常用模型总结
(8)基于 word2vec 和 CNN 的文本分类 :综述 & 实践
本人博文NLP学习内容目录:
一、NLP基础学习
1、NLP学习路线总结
2、TF-IDF算法介绍及实现
3、NLTK使用方法总结
4、英文自然语言预处理方法总结及实现
5、中文自然语言预处理方法总结及实现
6、NLP常见语言模型总结
7、NLP数据增强方法总结及实现
8、TextRank算法介绍及实现
9、NLP关键词提取方法总结及实现
10、NLP词向量和句向量方法总结及实现
11、NLP句子相似性方法总结及实现
12、NLP中文句法分析
二、NLP项目实战
1、项目实战-英文文本分类-电影评论情感判别
2、项目实战-中文文本分类-商品评论情感判别
3、项目实战-XGBoost与LightGBM文本分类
4、项目实战-TextCNN文本分类实战
5、项目实战-Bert文本分类实战
6、项目实战-NLP中文句子类型判别和分类实战
交流学习资料共享欢迎入群:955817470(群一),801295159(群二)