前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于tensorflow、CNN、清华数据集THUCNews的新浪新闻文本分类

基于tensorflow、CNN、清华数据集THUCNews的新浪新闻文本分类

作者头像
潇洒坤
发布2018-10-22 15:58:54
4.5K0
发布2018-10-22 15:58:54
举报
文章被收录于专栏:简书专栏简书专栏

2018年10月14日笔记

tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流。 CNN是convolutional neural network的简称,中文叫做卷积神经网络。 文本分类是NLP(自然语言处理)的经典任务。 项目成果如下图所示:

image.png

清华论文使用技术:bigram特征选取、Chi-square特征降维、tfidf权重计算、LibSVM模型, 2016年论文,链接:http://nlp.csai.tsinghua.edu.cn/site2/index.php/zh/codes/242-thuctc 我使用技术:word-embedding、CNN 使用CNN做文本分类比传统机器学习方法提高precision值0.05,F1score值0.08 因为CNN不需要分词,训练tfidf模型,程序运行时间节省10倍以上。

0.编程环境

操作系统:Win10 python版本:3.6 集成开发环境:jupyter notebook tensorflow版本:1.6

1.致谢声明

本文是作者学习《使用卷积神经网络以及循环神经网络进行中文文本分类》的成果,感激前辈; github链接:https://github.com/gaussic/text-classification-cnn-rnn

2.配置环境

使用卷积神经网络模型要求有较高的机器配置,如果使用CPU版tensorflow会花费大量时间。 读者在有nvidia显卡的情况下,安装GPU版tensorflow会提高计算速度50倍。 安装教程链接:https://blog.csdn.net/qq_36556893/article/details/79433298 如果没有nvidia显卡,但有visa信用卡,请阅读我的另一篇文章《在谷歌云服务器上搭建深度学习平台》,链接:https://www.jianshu.com/p/893d622d1b5a

3.下载并解压数据集

两种下载方式效果相同: 1.官方数据集下载链接: http://thuctc.thunlp.org/message 2.百度云盘下载链接: https://pan.baidu.com/s/1OC2uMoVHAWtX4mfOv6urCg 提取码: qphu 数据集大小:1.45GB 样本数量:80多万 数据集详情链接:http://thuctc.thunlp.org 压缩文件THUCNews.zip选择解压到当前文件夹,如下图所示。

image.png

使用BandZip解压需要大约25分钟; 使用7zip解压需要大约50分钟; 使用WinRAR解压需要大约100分钟。 所以推荐读者下载并安装BandZip解压软件,下载链接:http://www.bandisoft.com/bandizip/ 进入下载页面后,下载按钮如下图所示:

image.png

压缩文件夹THUCNews中有14个文件夹,如下图所示:

image.png

14个新闻类别中打开财经文件夹,如下图所示:

image.png

从上面的图中可以看出,每个类别文件夹中有若干文本文件,每个文本文件中内容表示1篇新闻。

4.获取数据

4.1 获取文本文件路径

代码语言:javascript
复制
import os

def getFilePathList(rootDir):
    filePath_list = []
    for walk in os.walk(rootDir):
        part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
        filePath_list.extend(part_filePath_list)
    return filePath_list
filePath_list = getFilePathList('THUCNews')
len(filePath_list)

上面一段代码的运行结果如下:

836062

从上面的运行结果可以看出,文件路径列表中共有836062个元素,即在THUCNews文件夹中总共有836062个文本文件。

4.2 获取所有样本标签

Windows和Linux系统路径字符串的间隔符有区别,本文作者是Windows系统。

代码语言:javascript
复制
label_list = []
for filePath in filePath_list:
    label = filePath.split('\\')[1]
    label_list.append(label)
len(label_list)

上面一段代码的运行结果如下:

836062

所有样本标签的值汇总成一个列表,赋值给标签列表label_list。 从上面的运行结果可以看出,标签列表中共有836062个元素。

4.3 标签统计计数

代码语言:javascript
复制
import pandas as pd

pd.value_counts(label_list)

上面一段代码的运行结果如下图所示:

image.png

4.4 调用pickle库保存label_list

代码语言:javascript
复制
import pickle

with open('label_list.pickle', 'wb') as file:
    pickle.dump(label_list, file)

4.5 获取所有样本内容、保存content_list

代码语言:javascript
复制
import time
import pickle
import re

def getFile(filePath):
    with open(filePath, encoding='utf8') as file:
        fileStr = ''.join(file.readlines(1000))
    return fileStr

interval = 20000
n_samples = len(label_list)
startTime = time.time()
directory_name = 'content_list'
if not os.path.isdir(directory_name):
    os.mkdir(directory_name)
for i in range(0, n_samples, interval):
    startIndex = i
    endIndex = i + interval
    content_list = []
    print('%06d-%06d start' %(startIndex, endIndex))
    for filePath in filePath_list[startIndex:endIndex]:
        fileStr = getFile(filePath)
        content = re.sub('\s+', ' ', fileStr)
        content_list.append(content)
    save_fileName = directory_name + '/%06d-%06d.pickle' %(startIndex, endIndex)
    with open(save_fileName, 'wb') as file:
        pickle.dump(content_list, file)
    used_time = time.time() - startTime
    print('%06d-%06d used time: %.2f seconds' %(startIndex, endIndex, used_time))

pickle库的dump方法可以将python中对象持久化为二进制文件,二进制文件的加载速度非常快。 避免内存溢出,每读取一定数量的文件就利用pickle库的dump方法保存。 因为有80多万个文本文件,读取时间较长。 本文作者使用的是固态硬盘,所以读取速度可以达到170M/s左右,如果是机械硬盘,可能只有80M/s左右。

image.png

上面一段代码的运行结果如下,为了节省篇幅,只显示前10行。 下面是读取前10万个文件的提示信息,总共花费64秒。 读取总共80万个文件,本文作者花费时间600秒

000000-020000 start 000000-020000 used time: 8.50 seconds 020000-040000 start 020000-040000 used time: 20.80 seconds 040000-060000 start 040000-060000 used time: 35.67 seconds 060000-080000 start 060000-080000 used time: 50.78 seconds 080000-100000 start 080000-100000 used time: 65.15 seconds

5.加载数据

本文前面的第3章下载并解压数据集、第4章获取数据记录了拿到原始数据的处理过程。 处理过程比较耗费时间,本文作者将前2章的处理结果上传到网盘中,即给读者提供复现此项目的捷径。 百度云盘下载链接: https://pan.baidu.com/s/1BB4LFt71MK0XQ24lMTTQxg 提取码: k9hy pickle格式文件是二进制文件,加载速度是文本文件的50倍以上。 压缩文件清华新闻分类已处理数据.zip,解压时选择解压到当前文件夹。 请务必确保content_list文件夹label_list文件代码文件这3者处于相同路径,代码才能运行成功。

代码语言:javascript
复制
import time
import pickle
import os

def getFilePathList(rootDir):
    filePath_list = []
    for walk in os.walk(rootDir):
        part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
        filePath_list.extend(part_filePath_list)
    return filePath_list

startTime = time.time()
contentListPath_list = getFilePathList('content_list')
content_list = []
for filePath in contentListPath_list:
    with open(filePath, 'rb') as file:
        part_content_list = pickle.load(file)
    content_list.extend(part_content_list)
with open('label_list.pickle', 'rb') as file:
    label_list = pickle.load(file)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
sample_size = len(content_list)
print('length of content_list,mean sample size: %d' %sample_size)

上面一段代码的运行结果如下:

used time: 8.36 seconds length of content_list,mean sample size: 836062

6.词汇表

内容列表content_list中的元素是每篇文章内容,数据类型为字符串。 对所有文章内容中的字做统计计数,出现次数排名前10000的字赋值给变量vocabulary_list。

代码语言:javascript
复制
from collections import Counter 
def getVocabularyList(content_list, vocabulary_size):
    allContent_str = ''.join(content_list)
    counter = Counter(allContent_str)
    vocabulary_list = [k[0] for k in counter.most_common(vocabulary_size)]
    return ['PAD'] + vocabulary_list
startTime = time.time()
vocabulary_list = getVocabularyList(content_list, 10000)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)

上面一段代码的运行结果如下:

used time: 97.52 seconds

7.数据准备

读者阅读下文中的行数时,可以先把代码复制到jupyter notebook的代码块中。 在代码块中按Esc键,进入命令模式,代码块左边的竖线会显示蓝色,如下图所示:

image.png

在命令模式下,点击L键,会显示代码行数。 推荐博客《Text-CNN 文本分类》从模型原理上辅助理解,链接:https://blog.csdn.net/chuchus/article/details/77847476 第1行代码导入time库; 第2行代码记录本段代码运行开始时间,赋值给变量startTime; 第3行代码导入sklearn.model_selection库的train_test_split方法; 第4行代码导入调用sklearn.model_selection库的train_test_split方法划分训练集、测试集; 第5-8行代码获取训练集文本内容列表train_content_list,训练集标签列表train_label_list,测试集文本内容列表test_content_list,测试集标签列表test_label_list。 第9-10行代码打印提示信息,表示程序运行至此步花费时间; 第11-19行代码设置模型的9个超参数; 第20行代码使用列表推导式得到词汇及其id对应的列表,并调用dict方法将列表强制转换为字典。 打印变量word2id_dict的前5项,如下图所示:

image.png

第21行代码使用列表推导式和匿名函数定义函数content2idlist,函数作用是将文章中的每个字转换为id; 第22行代码使用列表推导式得到的结果是列表的列表,总列表train_idlist_list中的元素是每篇文章中的字对应的id列表; 第23-24行代码打印提示信息,表示程序运行至此步花费时间; 第25行导入numpy库,取别名np; 第26行获取标签的类别数量,例如本文类别数量为14,即变量num_classes的值为14; 第27-32这6行代码获得能够用于模型训练的特征矩阵预测目标值; 第27行代码导入tensorflow.contrib.keras库,取别名kr; 第28行代码将每个样本统一长度为seq_length,即600; 第29行代码导入sklearn.preprocessing库的labelEncoder方法; 第30行代码实例化LabelEncoder对象; 第31行代码调用LabelEncoder对象的fit_transform方法做标签编码; 第32行代码调用keras.untils库的to_categorical方法将标签编码的结果再做Ont-Hot编码。 第33行代码导入tensorflow库,取别名tf; 第34行代码重置tensorflow图,加强代码的健壮性; 第35-36行代码中placeholder中文叫做占位符,将每次训练的特征矩阵X和预测目标值Y赋值给变量X_holder和Y_holder。 第37-38行代码打印提示信息,表示程序运行至此步花费时间;

代码语言:javascript
复制
import time
startTime = time.time()
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(content_list, label_list)
train_content_list = train_X
train_label_list = train_y
test_content_list = test_X
test_label_list = test_y
used_time = time.time() - startTime
print('train_test_split used time : %.2f seconds' %used_time)
vocabulary_size = 10000  # 词汇表达小
sequence_length = 600  # 序列长度
embedding_size = 64  # 词向量维度
num_filters = 256  # 卷积核数目
filter_size = 5  # 卷积核尺寸
num_fc_units = 128  # 全连接层神经元
dropout_keep_probability = 0.5  # dropout保留比例
learning_rate = 1e-3  # 学习率
batch_size = 64  # 每批训练大小
word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])
content2idList = lambda content : [word2id_dict[word] for word in content if word in word2id_dict]
train_idlist_list = [content2idList(content) for content in train_content_list]
used_time = time.time() - startTime
print('content2idList used time : %.2f seconds' %used_time)
import numpy as np
num_classes = np.unique(label_list).shape[0]
import tensorflow.contrib.keras as kr
train_X = kr.preprocessing.sequence.pad_sequences(train_idlist_list, sequence_length)
from sklearn.preprocessing import LabelEncoder
labelEncoder = LabelEncoder()
train_y = labelEncoder.fit_transform(train_label_list)
train_Y = kr.utils.to_categorical(train_y, num_classes)
import tensorflow as tf
tf.reset_default_graph()
X_holder = tf.placeholder(tf.int32, [None, sequence_length])
Y_holder = tf.placeholder(tf.float32, [None, num_classes])
used_time = time.time() - startTime
print('data preparation used time : %.2f seconds' %used_time)

上面一段代码的运行结果如下:

train_test_split used time : 0.61 seconds content2idList used time : 121.08 seconds data preparation used time : 175.48 seconds

代码进行到此步,python进程占用6个多G内存,如下图所示。 所以此项目需要较高的机器配置,如果读者的电脑内存不足可以通过下面2种方法解决: 1.购买内存条提高机器配置,本文作者建议使用此方式,省心省力。 2.将阶段性结果保存在本地,重启python,读取阶段性结果。 3.不一次性处理全部样本,样本分批处理好之后再汇总。

image.png

8.搭建神经网络

第1-2行代码调用tf库的get_variable方法实例化可以更新的模型参数embedding,矩阵形状为vocab_size*embedding_size,即5000*64; 第3-4行代码调用tf.nn库的embedding_lookup方法将输入数据做词嵌入,得到新变量embedding_inputs的形状为batch_size*sequence_length*embedding_size,即64*600*64; 理解word2vec原理,推荐阅读文章链接:https://www.jianshu.com/p/471d9bfbd72f 第5-7行代码调用tf.layers.conv1d方法,方法需要3个参数,第1个参数是输入数据,第2个参数是卷积核数量num_filters,第3个参数是卷积核大小filter_size。方法结果赋值给变量conv,形状为batch_size*596*num_filters,596是600-5+1的结果; 第8-9行代码调用tf.reduce_max方法对变量conv的第1个维度做求最大值操作。方法结果赋值给变量max_pooling,形状为batch_size*num_filters,即64*256; 第10-11行代码添加全连接层,tf.layers.dense方法结果赋值给变量full_connect,形状为batch_size*num_fc_units,即64*128; 第12-13行代码调用tf.contrib.layers.dropout方法,方法需要2个参数,第1个参数是输入数据,第2个参数是保留比例; 第14行代码调用tf.nn.relu方法,即激活函数; 第15-16行代码添加全连接层,tf.layers.dense方法结果赋值给变量softmax_before,形状为batch_size*num_classes,即64*14; 第17行代码调用tf.nn.softmax方法,方法结果是预测概率值; 第18-20行代码使用交叉熵作为损失函数; 第21行代码调用tf.train.AdamOptimizer方法定义优化器optimizer; 第22行代码调用优化器对象的minimize方法,即最小化损失; 第23-24行代码计算预测准确率;

代码语言:javascript
复制
embedding = tf.get_variable('embedding', 
                            [vocabulary_size, embedding_size])
embedding_inputs = tf.nn.embedding_lookup(embedding,
                                          X_holder)
conv = tf.layers.conv1d(embedding_inputs,
                        num_filters,
                        filter_size)
max_pooling = tf.reduce_max(conv, 
                            [1])
full_connect = tf.layers.dense(max_pooling,
                               num_fc_units)
full_connect_dropout = tf.contrib.layers.dropout(full_connect, 
                                                 keep_prob=dropout_keep_probability)
full_connect_activate = tf.nn.relu(full_connect_dropout)
softmax_before = tf.layers.dense(full_connect_activate,
                                 num_classes)
predict_Y = tf.nn.softmax(softmax_before)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_holder,
                                                           logits=softmax_before)
loss = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate)
train = optimizer.minimize(loss)
isCorrect = tf.equal(tf.argmax(Y_holder, 1), tf.argmax(predict_Y, 1))
accuracy = tf.reduce_mean(tf.cast(isCorrect, tf.float32))

9.参数初始化

对于神经网络模型,重要是其中的参数。 开始神经网络模型训练之前,需要做参数初始化。 第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。

image.png

第2行代码调用tf.Session方法实例化会话对象; 第3行代码调用tf.Session对象的run方法做变量初始化。

代码语言:javascript
复制
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)

10.模型训练

第1-4行代码获取测试集中的数据; 第5行代码导入random库; 第6行表示模型迭代训练20000次; 第7-9行代码从训练集中选取batch_size大小,即64个样本做批量梯度下降; 第10行代码每运行1次,表示模型训练1次; 第11行代码记录当前步数,赋值给变量step; 第12行代码表示每间隔100步打印; 第13-15行代码从测试集中随机选取200个样本; 第16行代码表示计算损失值loss_value、准确率accuracy_value; 第17行代码表示打印步数step、损失值loss_value、准确率accuracy_value。

代码语言:javascript
复制
test_idlist_list = [content2idList(content) for content in test_content_list]
test_X = kr.preprocessing.sequence.pad_sequences(test_idlist_list, sequence_length)
test_y = labelEncoder.transform(test_label_list)
test_Y = kr.utils.to_categorical(test_y, num_classes)
import random
for i in range(20000):
    selected_index = random.sample(list(range(len(train_y))), k=batch_size)
    batch_X = train_X[selected_index]
    batch_Y = train_Y[selected_index]
    session.run(train, {X_holder:batch_X, Y_holder:batch_Y})
    step = i + 1 
    if step % 100 == 0:
        selected_index = random.sample(list(range(len(test_y))), k=200)
        batch_X = test_X[selected_index]
        batch_Y = test_Y[selected_index]
        loss_value, accuracy_value = session.run([loss, accuracy], {X_holder:batch_X, Y_holder:batch_Y})
        print('step:%d loss:%.4f accuracy:%.4f' %(step, loss_value, accuracy_value))

上面一段代码的运行结果如下,为了节省文章篇幅,只打印前1000次迭代:

step:100 loss:1.5357 accuracy:0.4900 step:200 loss:1.0189 accuracy:0.7000 step:300 loss:0.7720 accuracy:0.7850 step:400 loss:0.6589 accuracy:0.8000 step:500 loss:0.4987 accuracy:0.8300 step:600 loss:0.5863 accuracy:0.8100 step:700 loss:0.5242 accuracy:0.8350 step:800 loss:0.3541 accuracy:0.9000 step:900 loss:0.5004 accuracy:0.8700 step:1000 loss:0.3152 accuracy:0.9050

代码进行到此步,python进程占用9个多G内存,如下图所示:

image.png

11.混淆矩阵

此段代码主要是调用sklearn.metrics库的confusion_matrix方法得出混淆矩阵。

代码语言:javascript
复制
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix

def predictAll(test_X, batch_size=100):
    predict_value_list = []
    for i in range(0, len(test_X), batch_size):
        selected_X = test_X[i: i + batch_size]
        predict_value = session.run(predict_Y, {X_holder:selected_X})
        predict_value_list.extend(predict_value)
    return np.array(predict_value_list)

Y = predictAll(test_X)
y = np.argmax(Y, axis=1)
predict_label_list = labelEncoder.inverse_transform(y)
pd.DataFrame(confusion_matrix(test_label_list, predict_label_list), 
             columns=labelEncoder.classes_,
             index=labelEncoder.classes_ )

上面一段代码的运行结果如下图所示:

image.png

12.报告表

此段代码主要是调用sklearn.metrics库的precision_recall_fscore_support方法得出报告表。

代码语言:javascript
复制
import numpy as np
from sklearn.metrics import precision_recall_fscore_support

def eval_model(y_true, y_pred, labels):
    # 计算每个分类的Precision, Recall, f1, support
    p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
    # 计算总体的平均Precision, Recall, f1, support
    tot_p = np.average(p, weights=s)
    tot_r = np.average(r, weights=s)
    tot_f1 = np.average(f1, weights=s)
    tot_s = np.sum(s)
    res1 = pd.DataFrame({
        u'Label': labels,
        u'Precision': p,
        u'Recall': r,
        u'F1': f1,
        u'Support': s
    })
    res2 = pd.DataFrame({
        u'Label': ['总体'],
        u'Precision': [tot_p],
        u'Recall': [tot_r],
        u'F1': [tot_f1],
        u'Support': [tot_s]
    })
    res2.index = [999]
    res = pd.concat([res1, res2])
    return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]

eval_model(test_label_list, predict_label_list, labelEncoder.classes_)

上面一段代码的运行结果如下图所示:

image.png

13.总结

1.本文是作者第8个NLP项目,数据共有80多万条。 2.分类模型的评估指标F1score为0.93左右,总体来说这个分类模型比较优秀,能够投入实际应用。 3.因为本项目工程量较大和运行时间较久,有较好的效果时,本文作者就抓紧记录,所以文章有很多不完善的地方。后续优化工作可以从解决样本不均衡问题开展,使用下采样或下采样方法。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018.10.16 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 0.编程环境
  • 1.致谢声明
  • 2.配置环境
  • 3.下载并解压数据集
  • 4.获取数据
    • 4.1 获取文本文件路径
      • 4.2 获取所有样本标签
        • 4.3 标签统计计数
          • 4.4 调用pickle库保存label_list
            • 4.5 获取所有样本内容、保存content_list
            • 5.加载数据
            • 6.词汇表
            • 7.数据准备
            • 8.搭建神经网络
            • 9.参数初始化
            • 10.模型训练
            • 11.混淆矩阵
            • 12.报告表
            • 13.总结
            相关产品与服务
            NLP 服务
            NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档