作者 | Susan Li
来源 | Medium
编辑 | 代码医生团队
关于NLP的许多创新都是如何将上下文添加到单词向量中。常用的方法之一是使用递归神经网络。以下是递归神经网络的概念:
以上是递归神经网络的体系结构。
假设正在解决新闻文章数据集的文档分类问题。
因此,通常不使用普通RNN,而使用长短期记忆。LSTM是一种RNN,可以解决此长期依赖问题。
在新闻文章示例的文件分类中,具有这种多对一的关系。输入是单词序列,输出是单个类或标签。
现在,将使用TensorFlow 2.0和Keras使用LSTM解决BBC新闻文档分类问题。数据集可以在这里找到。
https://raw.githubusercontent.com/susanli2016/PyCon-Canada-2019-NLP-Tutorial/master/bbc-text.csv
首先导入库,并确保TensorFlow是正确的版本。
import csv
import tensorflow as tf
import numpy as np
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from nltk.corpus import stopwords
STOPWORDS = set(stopwords.words('english'))
print(tf.__version__)
vocab_size = 5000
embedding_dim = 64
max_length = 200
trunc_type = 'post'
padding_type = 'post'
oov_tok = '<OOV>'
training_portion = .8
articles = []
labels = []
with open("bbc-text.csv", 'r') as csvfile:
reader = csv.reader(csvfile, delimiter=',')
next(reader)
for row in reader:
labels.append(row[0])
article = row[1]
for word in STOPWORDS:
token = ' ' + word + ' '
article = article.replace(token, ' ')
article = article.replace(' ', ' ')
articles.append(article)
print(len(labels))
print(len(articles))
数据中有2,225条新闻文章,根据之前设置的参数将它们分为训练集和验证集,其中80%用于训练,20%用于验证。
train_size = int(len(articles) * training_portion)
train_articles = articles[0: train_size]
train_labels = labels[0: train_size]
validation_articles = articles[train_size:]
validation_labels = labels[train_size:]
print(train_size)
print(len(train_articles))
print(len(train_labels))
print(len(validation_articles))
print(len(validation_labels))
Tokenizer完成了所有繁重的工作。在标记化文章中,将使用5,000个最常用的词。oov_token当遇到看不见的单词时,要赋予特殊的值。这意味着要<OOV>用于不在中的单词word_index。fit_on_text将遍历所有文本并创建像这样的字典:
tokenizer = Tokenizer(num_words = vocab_size, oov_token=oov_tok)
tokenizer.fit_on_texts(train_articles)
word_index = tokenizer.word_index
dict(list(word_index.items())[0:10])
可以看到“ <OOV>”是语料库中最常见的标记,其次是“ said”,其次是“ mr”,依此类推。
标记化后,下一步是将这些标记转换为序列列表。以下是训练数据中已转为序列的第11条。
train_sequences = tokenizer.texts_to_sequences(train_articles)
print(train_sequences[10])
图1
当为NLP训练神经网络时,需要序列大小相同,这就是为什么要使用填充的原因。如果向上看,max_length长度是200,因此pad_sequences将所有文章的长度都设为200。结果会看到第一篇文章的长度为426,变成200,第二篇文章的长度为192。长度变为200,依此类推。
train_padded = pad_sequences(train_sequences, maxlen=max_length, padding=padding_type, truncating=trunc_type)
print(len(train_sequences[0]))
print(len(train_padded[0]))
print(len(train_sequences[1]))
print(len(train_padded[1]))
print(len(train_sequences[10]))
print(len(train_padded[10]))
另外,还有padding_type和truncating_type,都有post,例如,对于第11条,长度为186,填充为200,最后填充,即添加14个零。
print(train_padded[10])
图2
对于第一篇文章,长度为426,将其截短为200,最后也将其截断。
然后,对验证序列执行相同的操作。
validation_sequences = tokenizer.texts_to_sequences(validation_articles)
validation_padded = pad_sequences(validation_sequences, maxlen=max_length, padding=padding_type, truncating=trunc_type)
print(len(validation_sequences))
print(validation_padded.shape)
现在来看一下标签。因为标签是文本,所以将标记它们,在训练时,标签应该是numpy数组。因此,将标签列表变成numpy数组,如下所示:
label_tokenizer = Tokenizer()
label_tokenizer.fit_on_texts(labels)
training_label_seq = np.array(label_tokenizer.texts_to_sequences(train_labels))
validation_label_seq = np.array(label_tokenizer.texts_to_sequences(validation_labels))
print(training_label_seq[0])
print(training_label_seq[1])
print(training_label_seq[2])
print(training_label_seq.shape)
print(validation_label_seq[0])
print(validation_label_seq[1])
print(validation_label_seq[2])
print(validation_label_seq.shape)
在训练深度神经网络之前,应该探索原始文章和填充后文章的外观。运行以下代码,探索第11条文章,可以看到有些单词变成了“ <OOV>”,因为它们没有进入前5,000个排名。
reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
def decode_article(text):
return ' '.join([reverse_word_index.get(i, '?') for i in text])
print(decode_article(train_padded[10]))
print('---')
print(train_articles[10])
图3
现在是实施LSTM的时候了。
model = tf.keras.Sequential([
# Add an Embedding layer expecting input vocab of size 5000, and output embedding dimension of size 64 we set at the top
tf.keras.layers.Embedding(vocab_size, embedding_dim),
tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(embedding_dim)),
# tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(32)),
# use ReLU in place of tanh function since they are very good alternatives of each other.
tf.keras.layers.Dense(embedding_dim, activation='relu'),
# Add a Dense layer with 6 units and softmax activation.
# When we have multiple outputs, softmax convert outputs layers into a probability distribution.
tf.keras.layers.Dense(6, activation='softmax')
])
model.summary()
图4
在模型摘要中,有嵌入的内容,双向包含LSTM,后跟两个密集层。双向的输出为128,因为它在LSTM中的输出增加了一倍。也可以堆叠LSTM层,但是发现结果更糟。
print(set(labels))
总共有5个标签,但是由于没有对标签进行单一编码,因此必须将其sparse_categorical_crossentropy用作损失函数,似乎认为0也是可能的标签,而令牌化程序对象则以整数1开头进行令牌化结果是,最后一个密集层需要输出标签0、1、2、3、4、5,尽管从未使用过0。
如果希望最后一个密集层为5,则需要从训练和验证标签中减去1。决定保留原样。
决定训练10个时期,正如将看到的,这是很多时期。
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
num_epochs = 10
history = model.fit(train_padded, training_label_seq, epochs=num_epochs, validation_data=(validation_padded, validation_label_seq), verbose=2)
图5
def plot_graphs(history, string):
plt.plot(history.history[string])
plt.plot(history.history['val_'+string])
plt.xlabel("Epochs")
plt.ylabel(string)
plt.legend([string, 'val_'+string])
plt.show()
plot_graphs(history, "accuracy")
plot_graphs(history, "loss")
图6
可能只需要3或4个时期。在训练结束时,可以看到有点过拟合。
Jupyter笔记本可以在Github上找到。
https://github.com/susanli2016/PyCon-Canada-2019-NLP-Tutorial/blob/master/BBC%20News_LSTM.ipynb