深度学习处理文本数据-白红宇

深度学习处理文本数据

阅读量：4485 次

发布时间：2019-06-08

本文共 9155 字，大约阅读时间需要 30 分钟。

深度学习用于自然语言处理是将模式识别应用于单词、句子和段落，这与计算机视觉是将模式识别应用于像素大致相同。深度学习模型不会接收原始文本作为输入，它只能处理数值张量，因此我们必须将文本向量化（vectorize）。下图是主要流程。

one-hot编码是将每个单词与一个唯一的整数索引相关联，然后将这个整数索引 i 转换为长度为N的二进制向量（N是此表大小），这个向量只有第 i 个元素是1，其余都为0。

词嵌入是低维的浮点数向量，是从数据中学习得到的。

one-hot：高维度、稀疏

词嵌入：低维度、密集

这里我们重点介绍词嵌入！编译环境keras、jupyter Notebook

利用Embedding层学习词嵌入

应用场景：IMDB电影评论情感预测任务

1、准备数据（keras内置）

2、将电影评论限制为前10 000个最常见的单词

3、评论长度限制20个单词

4、将输入的整数序列（二维整数张量）转换为嵌入序列（三维浮点数张量），将这个张量展平为二维，最后在上面训练一个Dense层用于分类

# 将一个Embedding层实例化from keras.layers import Embedding# (最大单词索引+1， 嵌入的维度)enmbedding_layer = Embedding(1000, 64)

加载数据、准备用于Embedding层

from keras.datasets import imdbfrom keras import preprocessingmax_features = 10000maxlen = 20# 将数据加载为整数列表(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words = max_features)x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen)x_test = preprocessing.sequence.pad_sequences(x_test, maxlen=maxlen)

在IMDB数据上使用Embedding层和分类器

from keras.models import Sequentialfrom keras.layers import Flatten, Densemodel = Sequential()model.add(Embedding(10000, 8, input_length=maxlen))# 将三维的嵌入张量展平成（samples, maxlen * 8）model.add(Flatten())# 在上面添加分类器model.add(Dense(1, activation='sigmoid'))model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])model.summary()history = model.fit(x_train, y_train, epochs=10,                    batch_size = 32,                    validation_split=0.2)

_________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================embedding_2 (Embedding)      (None, 20, 8)             80000     _________________________________________________________________flatten_1 (Flatten)          (None, 160)               0         _________________________________________________________________dense_1 (Dense)              (None, 1)                 161       =================================================================Total params: 80,161Trainable params: 80,161Non-trainable params: 0_________________________________________________________________Train on 20000 samples, validate on 5000 samplesEpoch 1/1020000/20000 [==============================] - 10s 517us/step - loss: 0.6759 - acc: 0.6050 - val_loss: 0.6398 - val_acc: 0.6814

......

Epoch 10/1020000/20000 [==============================] - 3s 127us/step - loss: 0.2839 - acc: 0.8860 - val_loss: 0.5303 - val_acc: 0.7466

得到验证精度约为75%，我们仅仅将嵌入序列展开并在上面训练一个Dense层，会导致模型对输入序列中的每个单词处理，而没有考虑单词之间的关系和句子结构。更好的做法是在嵌入序列上添加循环层或一维卷积层，将整个序列作为整体来学习特征。

如果可用的训练数据很少，无法用数据学习到合适的词嵌入，那怎么办？ ===> 使用预训练的词嵌入

使用预训练的词嵌入

这次，我们不使用keras内置的已经预先分词的IMDB数据，而是从头开始下载。

1. 下载IMDB数据的原始文本

下载原始IMDB数据集并解压

import osimdb_dir = 'F:/keras-dataset/aclImdb'train_dir = os.path.join(imdb_dir, 'train')labels = []texts = []for label_type in ['neg', 'pos']:    dir_name = os.path.join(train_dir, label_type)    for fname in os.listdir(dir_name):        if fname[-4:] == '.txt':            f = open(os.path.join(dir_name, fname), errors='ignore')            texts.append(f.read())            f.close()            if label_type == 'neg':                labels.append(0)            else:                labels.append(1)

2. 对IMDB原始数据的文本进行分词

预训练的词嵌入对训练数据很少的问题特别有用，因此我们只采取200个样本进行训练

# 对数据进行分词from keras.preprocessing.text import Tokenizerfrom keras.preprocessing.sequence import pad_sequencesimport numpy as np# 在100个单词后截断评论maxlen = 100# 在200个样本上进行训练training_samples = 200# 在10000个样本上进行验证validation_samples = 10000# 只考虑数据集中前10000个最常见的单词max_words = 10000tokenizer = Tokenizer(num_words=max_words)tokenizer.fit_on_texts(texts)sequences = tokenizer.texts_to_sequences(texts)word_index = tokenizer.word_indexprint('Found %s unique tokens.' % len(word_index))data = pad_sequences(sequences, maxlen=maxlen)labels = np.asarray(labels)print('Shape of data tensor:', data.shape)print('Shape of label tensor:', labels.shape)# 将数据划分为训练集和验证集，但首先要打乱数据# 因为一开始数据中的样本是排好序的（所有负面评论在前，正面评论在后）indices = np.arange(data.shape[0])np.random.shuffle(indices)data = data[indices]labels = labels[indices]x_train = data[:training_samples]y_train = labels[:training_samples]x_val = data[training_samples: training_samples + validation_samples]y_val = labels[training_samples: training_samples + validation_samples]

Found 88583 unique tokens.Shape of data tensor: (25000, 100)Shape of label tensor: (25000,)

3. 下载GloVe词嵌入

文件名是glove.6B.zip，里面包含400 000个单词的100维向量。解压文件

对解压文件进行解析，构建一个单词映射为向量表示的索引

# 解析GloVe词嵌入文件glove_dir = 'F:/keras-dataset'embeddings_index = {}f = open(os.path.join(glove_dir, 'glove.6B.100d.txt'), errors='ignore')for line in f:    values = line.split()    word = values[0]    coefs = np.asarray(values[1:], dtype='float32')    embeddings_index[word] = coefsf.close()print('Found %s word vectors.' % len(embeddings_index))# 创建一个可以加载到Embedding层中的嵌入矩阵# 对于单词索引中索引为i的单词，这个矩阵的元素i就是这个单词对应的 embedding_dim 为向量embedding_dim = 100embedding_matrics = np.zeros((max_words, embedding_dim))for word, i in word_index.items():    embedding_vector = embeddings_index.get(word)    if i < max_words:        if embedding_vector is not None:            embedding_matrics[i] = embedding_vector

Found 399913 word vectors.

4. 定义模型

# 模型定义from keras.models import Sequentialfrom keras.layers import Embedding, Flatten, Densemodel = Sequential()model.add(Embedding(max_words, embedding_dim, input_length=maxlen))model.add(Flatten())model.add(Dense(32, activation='relu'))model.add(Dense(1, activation='sigmoid'))model.summary()

_________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================embedding_3 (Embedding)      (None, 100, 100)          1000000   _________________________________________________________________flatten_2 (Flatten)          (None, 10000)             0         _________________________________________________________________dense_2 (Dense)              (None, 32)                320032    _________________________________________________________________dense_3 (Dense)              (None, 1)                 33        =================================================================Total params: 1,320,065Trainable params: 1,320,065Non-trainable params: 0

6. 在模型中加载GloVe嵌入

Embedding层只有一个权重矩阵，是一个二维的浮点数矩阵，其中每个元素i是索引i相关联的词向量，将准备好的GloVe矩阵加载到Embedding层中，即模型的第一层

# 将预训练的词嵌入加载到Embedding层model.layers[0].set_weights([embedding_matrics])# 冻结Embedding层model.layers[0].trainable = False

7. 训练和评估模型

# 训练模型与评估模型model.compile(optimizer='rmsprop',              loss='binary_crossentropy',              metrics=['acc'])history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val))model.save_weights('pre_trained_glove_model.h5')

Train on 200 samples, validate on 10000 samplesEpoch 1/10200/200 [==============================] - 1s 4ms/step - loss: 0.9840 - acc: 0.5300 - val_loss: 0.6942 - val_acc: 0.4980

........

Epoch 10/10200/200 [==============================] - 0s 2ms/step - loss: 0.0598 - acc: 1.0000 - val_loss: 0.8704 - val_acc: 0.5339

8. 绘制结果

# 绘制图像import matplotlib.pyplot as pltacc = history.history['acc']val_acc = history.history['val_acc']loss = history.history['loss']val_loss = history.history['val_loss']epochs = range(1, len(acc) + 1)plt.plot(epochs, acc, 'bo', label='Training acc')plt.plot(epochs, val_acc, 'b', label='Validation acc')plt.title('Training and validation accuracy')plt.legend()plt.figure()plt.plot(epochs, loss, 'bo', label='Training loss')plt.plot(epochs, val_loss, 'b', label='Validation loss')plt.title('Training and validation loss')plt.legend()plt.show()

模型很快就开始过拟合，因为训练样本很少，效果不是很好。验证集的精度56%

9. 对测试集数据进行分词，并对数据进行评估模型

# 对测试集数据进行分词test_dir = os.path.join(imdb_dir, 'test')labels = []texts = []for label_type in ['neg', 'pos']:    dir_name = os.path.join(test_dir, label_type)    for fname in sorted(os.listdir(dir_name)):        if fname[-4:] == '.txt':            f = open(os.path.join(dir_name, fname), errors='ignore')            texts.append(f.read())            f.close()            if label_type == 'neg':                labels.append(0)            else:                labels.append(1)                sequences = tokenizer.texts_to_sequences(texts)x_test = pad_sequences(sequences, maxlen=maxlen)y_test = np.asarray(labels)# 在测试集上评估模型model.load_weights('pre_trained_glove_model.h5')model.evaluate(x_test, y_test)

25000/25000 [==============================] - 1s 50us/step

[0.8740278043365478, 0.53072]

测试精度达到53%，效果还可以，因为我们只使用了很少的训练样本

在不使用预训练词嵌入的情况下，训练相同的模型

# 在不使用预训练词嵌入的情况下，训练相同的模型from keras.models import Sequentialfrom keras.layers import Embedding, Flatten, Densemodel = Sequential()model.add(Embedding(max_words, embedding_dim, input_length=maxlen))model.add(Flatten())model.add(Dense(32, activation='relu'))model.add(Dense(1, activation='sigmoid'))model.summary()model.compile(optimizer='rmsprop',              loss='binary_crossentropy',              metrics=['acc'])history = model.fit(x_train, y_train,                    epochs=10,                    batch_size=32,                    validation_data=(x_val, y_val))