区块链技术博客
www.b2bchain.cn

新闻本文分类-04 基于fastText的文本分类的讲解

这篇文章主要介绍了新闻本文分类-04 基于fastText的文本分类的讲解,通过具体代码讲解8012并且分析了新闻本文分类-04 基于fastText的文本分类的讲解的详细步骤与相关技巧,需要的朋友可以参考下

本文实例讲述了新闻本文分类-04 基于fastText的文本分类的讲解。分享给大家供大家参考文章查询地址https://www.b2bchain.cn/8012.html。具体如下:

在上一章节使用了传统机器学习算法解决文本分类问题,这章尝试使用深度学习来完成文本表示,通过fastText模型进行文本分类。

fastText论文: Bag of Tricks for Efficient Text Classification

1. fastText模型剖析

1.1 概念

FastText是一种典型的深度学习词向量的表示方法,它的核心思想是将整篇文档的词及n-gram向量叠加平均得到文档向量,然后使用文档向量做softmax多分类。这中间涉及到两个技巧:字符级n-gram特征的引入以及分层Softmax分类。

1.2 模型框架

fastText模型架构和word2vecCBOW模型架构非常相似。下面是fastText模型架构图:

新闻本文分类-04 基于fastText的文本分类

注意:此架构图没有展示词向量的训练过程。可以看到,和CBOW一样,fastText模型也只有三层:输入层、隐含层、输出层(Hierarchical Softmax),输入都是多个经向量表示的单词,输出都是一个特定的target,隐含层都是对多个词向量的叠加平均。

不同的是,CBOW的输入是目标单词的上下文,fastText的输入是多个单词及其n-gram特征,这些特征用来表示单个文档;CBOW的输入单词被onehot编码过,fastText的输入特征是被embedding过;CBOW的输出是目标词汇,fastText的输出是文档对应的类标。

值得注意的是,fastText在输入时,将单词的字符级别的n-gram向量作为额外的特征;在输出时,fastText采用了分层Softmax,大大降低了模型训练时间。

1.3 字符级别的n-gram

word2vec把语料库中的每个单词当成原子的,它会为每个单词生成一个向量。这忽略了单词内部的形态特征,比如:“apple” 和”apples”,“达观数据”和”达观”,这两个例子中,两个单词都有较多公共字符,即它们的内部形态类似,但是在传统的word2vec中,这种单词内部形态信息因为它们被转换成不同的id丢失了。

为了克服这个问题,fastText使用了字符级别的n-grams来表示一个单词。对于单词”apple”,假设n的取值为3,则它的trigram有:

“<ap”, “app”, “ppl”, “ple”, “le>”

其中,<表示前缀,>表示后缀。于是,我们可以用这些trigram来表示”apple”这个单词,进一步,我们可以用这5个trigram的向量叠加来表示”apple”的词向量。

这带来两点好处:

  1. 对于低频词生成的词向量效果会更好。因为它们的n-gram可以和其它词共享。
  2. 对于训练词库之外的单词,仍然可以构建它们的词向量。我们可以叠加它们的字符级n-gram向量。

1.4 分层softmax

fastText的结构:

  1. 文本分词后排成列做输入。
  2. lookup table变成想要的隐层维数。
  3. 隐层后接huffman Tree。这个tree就是分层softmax减少计算量的精髓。

2. 简单实现fastText

为了简化任务:

  1. 训练词向量时,我们使用正常的word2vec方法,而真实的fastText还附加了字符级别的n-gram作为特征输入;
  2. 我们的输出层使用简单的softmax分类,而真实的fastText使用的是Hierarchical Softmax。

首先定义几个常量:

VOCAB_SIZE = 2000

EMBEDDING_DIM =100

MAX_WORDS = 500

CLASS_NUM = 5

VOCAB_SIZE表示词汇表大小,这里简单设置为2000;

EMBEDDING_DIM表示经过embedding层输出,每个词被分布式表示的向量的维度,这里设置为100。比如对于“达观”这个词,会被一个长度为100的类似于[ 0.97860014, 5.93589592, 0.22342691, -3.83102846, -0.23053935, …]的实值向量来表示;

MAX_WORDS表示一篇文档最多使用的词个数,因为文档可能长短不一(即词数不同),为了能feed到一个固定维度的神经网络,我们需要设置一个最大词数,对于词数少于这个阈值的文档,我们需要用“未知词”去填充。比如可以设置词汇表中索引为0的词为“未知词”,用0去填充少于阈值的部分;

CLASS_NUM表示类别数,多分类问题,这里简单设置为5。

模型搭建遵循以下步骤:

  1. 添加输入层(embedding层)。Embedding层的输入是一批文档,每个文档由一个词汇索引序列构成。例如:[10, 30, 80, 1000] 可能表示“我 昨天 来到 达观数据”这个短文本,其中“我”、“昨天”、“来到”、“达观数据”在词汇表中的索引分别是10、30、80、1000;Embedding层将每个单词映射成EMBEDDING_DIM维的向量。于是:input_shape=(BATCH_SIZE, MAX_WORDS), output_shape=(BATCH_SIZE,MAX_WORDS, EMBEDDING_DIM);

  2. 添加隐含层(投影层)。投影层对一个文档中所有单词的向量进行叠加平均。keras提供的GlobalAveragePooling1D类可以帮我们实现这个功能。这层的input_shape是Embedding层的output_shape,这层的output_shape=( BATCH_SIZE, EMBEDDING_DIM);

  3. 添加输出层(softmax层)。真实的fastText这层是Hierarchical Softmax,因为keras原生并没有支持Hierarchical Softmax,所以这里用Softmax代替。这层指定了CLASS_NUM,对于一篇文档,输出层会产生CLASS_NUM个概率值,分别表示此文档属于当前类的可能性。这层的output_shape=(BATCH_SIZE, CLASS_NUM)

  4. 指定损失函数、优化器类型、评价指标,编译模型。损失函数我们设置为categorical_crossentropy,它就是我们上面所说的softmax回归的损失函数;优化器我们设置为SGD,表示随机梯度下降优化器;评价指标选择accuracy,表示精度。

用训练数据feed模型时,你需要:

  1. 将文档分好词,构建词汇表。词汇表中每个词用一个整数(索引)来代替,并预留“未知词”索引,假设为0;

  2. 对类标进行onehot化。假设我们文本数据总共有3个类别,对应的类标分别是1、2、3,那么这三个类标对应的onehot向量分别是[1, 0,0]、[0, 1, 0]、[0, 0, 1];

  3. 对一批文本,将每个文本转化为词索引序列,每个类标转化为onehot向量。就像之前的例子,“我 昨天 来到 达观数据”可能被转化为[10, 30,
    80, 1000];它属于类别1,它的类标就是[1, 0, 0]。由于我们设置了MAX_WORDS=500,这个短文本向量后面就需要补496个0,即[10, 30, 80, 1000, 0, 0, 0, …, 0]。因此,batch_xs的 维度为( BATCH_SIZE,MAX_WORDS),batch_ys的维度为(BATCH_SIZE, CLASS_NUM)。

代码如下:

# coding: utf-8 from __future__ import unicode_literals  from keras.models import Sequential from keras.layers import Embedding from keras.layers import GlobalAveragePooling1D from keras.layers import Dense  VOCAB_SIZE = 2000 EMBEDDING_DIM = 100 MAX_WORDS = 500 CLASS_NUM = 5   def build_fastText():     model = Sequential()     # 将词汇数VOCAB_SIZE映射为EMBEDDING_DIM维     model.add(Embedding(VOCAB_SIZE, EMBEDDING_DIM, input_length=MAX_WORDS))     # 平均文档中所有词的embedding     model.add(GlobalAveragePooling1D())     # softmax分类     model.add(Dense(CLASS_NUM, activation='softmax'))     # 定义损失函数、优化器、分类度量指标     model.compile(loss='categorical_crossentropy', optimizer='SGD', metrics=['accuracy'])     return model  if __name__ == '__main__':     model = build_fastText()     print(model.summary()) 

3. 使用fastText文本分类

3.1 加载库

import time import numpy as np import fasttext import pandas as pd  from sklearn.metrics import f1_score from sklearn.utils import shuffle from sklearn.model_selection import StratifiedKFold 

3.2 fastText分类

主要超参数:

lr: 学习率

dim: 词向量的维度

epoch: 每轮的个数

wordNgrams: 词的n-gram,一般设置为2或3

loss: 损失函数 ns(negative sampling, 负采样)、hs(hierarchical softmax, 分层softmax)、softmaxova(One-VS-ALL)

def fasttext_model(nrows, train_num, lr=1.0, wordNgrams=2, minCount=1, epoch=25, loss='hs', dim=100):     start_time = time.time()          # 转换为FastText需要的格式     train_df = pd.read_csv('../input/train_set.csv', sep='t', nrows=nrows)          # shuffle     train_df = shuffle(train_df, random_state=666)      train_df['label_ft'] = '__label__' + train_df['label'].astype('str')     train_df[['text', 'label_ft']].iloc[:train_num].to_csv('../input/fastText_train.csv', index=None, header=None, sep='t')      model = fasttext.train_supervised('../input/fastText_train.csv', lr=lr, wordNgrams=wordNgrams, verbose=2,                                        minCount=minCount, epoch=epoch, loss=loss, dim=dim)      train_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[:train_num]['text']]     print('Train f1_score:', f1_score(train_df['label'].values[:train_num].astype(str), train_pred, average='macro'))     val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[train_num:]['text']]     print('Val f1_score:', f1_score(train_df['label'].values[train_num:].astype(str), val_pred, average='macro'))     train_time = time.time()     print('Train time: {:.2f}s'.format(train_time - start_time))       # 预测并保存     test_df = pd.read_csv('../input/test_a.csv')      test_pred = [model.predict(x)[0][0].split('__')[-1] for x in test_df['text']]     test_pred = pd.DataFrame(test_pred, columns=['label'])     test_pred.to_csv('../input/test_fastText_ridgeclassifier.csv', index=False)     print('Test predict saved.')     end_time = time.time()     print('Predict time:{:.2f}s'.format(end_time - train_time))           if __name__ == '__main__':       nrows = 200000     train_num = int(nrows * 0.7)     lr=0.01     wordNgrams=2     minCount=1     epoch=25     loss='hs'          fasttext_model(nrows, train_num) 

结果:

Train f1_score: 0.998663548149514 Val f1_score: 0.911468448971427 Train time: 257.32s Test predict saved. Predict time:13.40s 

3.3 K折交叉验证

models = [] scores = [] pred_list = []      # K折交叉验证 skf = StratifiedKFold(n_splits=n_splits, shuffle=True, random_state=666) for train_index, test_index in skf.split(train_df['text'], train_df['label_ft']):          train_df[['text', 'label_ft']].iloc[train_index].to_csv('../input/fastText_train.csv', index=None, header=None, sep='t')      model = fasttext.train_supervised('../input/fastText_train.csv', lr=lr, wordNgrams=wordNgrams, verbose=2,                                            minCount=minCount, epoch=epoch, loss=loss)     models.append(model)              val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[test_index]['text']]     score = f1_score(train_df['label'].values[test_index].astype(str), val_pred, average='macro')     print('score', score)     scores.append(score)         print('mean score: ', np.mean(scores)) train_time = time.time() print('Train time: {:.2f}s'.format(train_time - start_time)) 

所有代码

def fasttext_kfold_model(nrows, train_num, n_splits, lr=1.0, wordNgrams=2, minCount=1, epoch=25, loss='hs', dim=100):     start_time = time.time()          # 转换为FastText需要的格式     train_df = pd.read_csv('../input/train_set.csv', sep='t', nrows=nrows)          # shuffle     train_df = shuffle(train_df, random_state=666)      train_df['label_ft'] = '__label__' + train_df['label'].astype('str')          models = []     train_scores = []     val_scores = []          # K折交叉验证     skf = StratifiedKFold(n_splits=n_splits, shuffle=True, random_state=666)     for train_index, test_index in skf.split(train_df['text'], train_df['label_ft']):         train_df[['text', 'label_ft']].iloc[train_index].to_csv('../input/fastText_train.csv', index=None, header=None, sep='t')          model = fasttext.train_supervised('../input/fastText_train.csv', lr=lr, wordNgrams=wordNgrams, verbose=2,                                            minCount=minCount, epoch=epoch, loss=loss)         models.append(model)                  train_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[train_index]['text']]         train_score = f1_score(train_df['label'].values[train_index].astype(str), train_pred, average='macro')         # print('Train length: ', len(train_pred))         print('Train score: ', train_score)         train_scores.append(train_score)                  val_pred = [model.predict(x)[0][0].split('__')[-1] for x in train_df.iloc[test_index]['text']]         val_score = f1_score(train_df['label'].values[test_index].astype(str), val_pred, average='macro')         # print('Val length: ', len(val_pred))         print('Val score', val_score)         val_scores.append(val_score)             print('mean train score: ', np.mean(train_scores))     print('mean val score: ', np.mean(val_scores))     train_time = time.time()     print('Train time: {:.2f}s'.format(train_time - start_time))      return models      def fasttext_kfold_predict(models, n_splits):          pred_list = []          start_time = time.time()     # 预测并保存     test_df = pd.read_csv('../input/test_a.csv')          # 消耗时间较长     for model in models:         test_pred = [model.predict(x)[0][0].split('__')[-1] for x in test_df['text']]         pred_list.append(test_pred)      test_pred_label = pd.DataFrame(pred_list).T.apply(lambda row: np.argmax(np.bincount([row[i] for i in range(n_splits)])), axis=1)     test_pred_label.columns='label'      test_pred_label.to_csv('../input/test_fastText_ridgeclassifier.csv', index=False)     print('Test predict saved.')     end_time = time.time()     print('Predict time:{:.2f}s'.format(end_time - start_time))       if __name__ == '__main__': 	nrows = 200000 	train_num = int(nrows * 0.7) 	n_splits = 3 	lr=0.1 	wordNgrams=2 	minCount=1 	epoch=25 	loss='hs' 	dim=200          """     Train score:  0.9635013320936988     Val score 0.9086640111428032     Train score:  0.9623510782430645     Val score 0.9094998879044359     Train score:  0.9628121318772955     Val score 0.9096191534698315     mean train score:  0.9628881807380196     mean val score:  0.9092610175056901     Train time: 740.60s     """             models = fasttext_kfold_model(nrows, train_num, n_splits, lr=lr, wordNgrams=wordNgrams, minCount=minCount, epoch=epoch, loss=loss, dim=dim)     fasttext_kfold_predict(models, n_splits=n_splits) 

K折交叉验证能增加模型的稳定性,尤其时间有限,验证的结果仅达0.909,有时间的朋友可以调整超参数,获得更高的准确率。

参考

  1. fastText原理及实践

  2. fastText——什么是分层softmax?

本文地址https://www.b2bchain.cn/8012.html

赞(0) 打赏
部分文章转自网络,侵权联系删除b2bchain区块链学习技术社区 » 新闻本文分类-04 基于fastText的文本分类的讲解
分享到: 更多 (0)

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

b2b链

联系我们联系我们