自然語言處理第一番之文本分類器

作者：佚名 2017-06-20 11:00:13

文本分類應(yīng)該是自然語言處理中最普遍的一個(gè)應(yīng)用，例如文章自動(dòng)分類、郵件自動(dòng)分類、垃圾郵件識(shí)別、用戶情感分類等等，在生活中有很多例子，這篇文章主要從傳統(tǒng)和深度學(xué)習(xí)兩塊來解釋下我們?nèi)绾巫鲆粋€(gè)文本分類器。

[[194511]]

前言

文本分類方法

傳統(tǒng)的文本方法的主要流程是人工設(shè)計(jì)一些特征，從原始文檔中提取特征，然后指定分類器如LR、SVM，訓(xùn)練模型對(duì)文章進(jìn)行分類，比較經(jīng)典的特征提取方法如頻次法、tf-idf、互信息方法、N-Gram。

深度學(xué)習(xí)火了之后，也有很多人開始使用一些經(jīng)典的模型如CNN、LSTM這類方法來做特征的提取，這篇文章會(huì)比較粗地描述下，在文本分類的一些實(shí)驗(yàn)

傳統(tǒng)文本分類方法

這里主要描述兩種特征提取方法：頻次法、tf-idf、互信息、N-Gram。

頻次法

頻次法，顧名思義，十分簡(jiǎn)單，記錄每篇文章的次數(shù)分布，然后將分布輸入機(jī)器學(xué)習(xí)模型，訓(xùn)練一個(gè)合適的分類模型，對(duì)這類數(shù)據(jù)進(jìn)行分類，需要指出的時(shí)，在統(tǒng)計(jì)次數(shù)分布時(shí)，可合理提出假設(shè)，頻次比較小的詞對(duì)文章分類的影響比較小，因此我們可合理地假設(shè)閾值，濾除頻次小于閾值的詞，減少特征空間維度。

TF-IDF

TF-IDF相對(duì)于頻次法，有更進(jìn)一步的考量，詞出現(xiàn)的次數(shù)能從一定程度反應(yīng)文章的特點(diǎn)，即TF，而TF-IDF，增加了所謂的反文檔頻率，如果一個(gè)詞在某個(gè)類別上出現(xiàn)的次數(shù)多，而在全部文本上出現(xiàn)的次數(shù)相對(duì)比較少，我們認(rèn)為這個(gè)詞有更強(qiáng)大的文檔區(qū)分能力，TF-IDF就是綜合考慮了頻次和反文檔頻率兩個(gè)因素。

互信息方法

互信息方法也是一種基于統(tǒng)計(jì)的方法，計(jì)算文檔中出現(xiàn)詞和文檔類別的相關(guān)程度，即互信息

N-Gram

基于N-Gram的方法是把文章序列，通過大小為N的窗口，形成一個(gè)個(gè)Group，然后對(duì)這些Group做統(tǒng)計(jì)，濾除出現(xiàn)頻次較低的Group，把這些Group組成特征空間，傳入分類器，進(jìn)行分類。

深度學(xué)習(xí)方法

基于CNN的文本分類方法

最普通的基于CNN的方法就是Keras上的example做情感分析，接Conv1D，指定大小的window size來遍歷文章，加上一個(gè)maxpool，如此多接入幾個(gè)，得到特征表示，然后加上FC，進(jìn)行最終的分類輸出。
基于CNN的文本分類方法，最出名的應(yīng)該是2014 Emnlp的 Convolutional Neural Networks for Sentence Classiﬁcation，使用不同filter的cnn網(wǎng)絡(luò)，然后加入maxpool，然后concat到一起。

這類CNN的方法，通過設(shè)計(jì)不同的window size來建模不同尺度的關(guān)系，但是很明顯，丟失了大部分的上下文關(guān)系，Recurrent Convolutional Neural Networks for Text Classification,將每一個(gè)詞形成向量化表示時(shí)，加上上文和下文的信息，每一個(gè)詞的表示如下：

整個(gè)結(jié)構(gòu)框架如下：

如針對(duì)這句話”A sunset stroll along the South Bank affords an array of stunning vantage points”，stroll的表示包括c_l(stroll),pre_word2vec(stroll),c_r(stroll), c_l(stroll)編碼A sunset的語義，而c_r(stroll)編碼along the South Bank affords an array of stunning vantage points的信息，每一個(gè)詞都如此處理，因此會(huì)避免普通cnn方法的上下文缺失的信息。

基于LSTM的方法

和基于CNN的方法中***種類似，直接暴力地在embedding之后加入LSTM，然后輸出到一個(gè)FC進(jìn)行分類，基于LSTM的方法，我覺得這也是一種特征提取方式，可能比較偏向建模時(shí)序的特征;
在暴力的方法之上，A C-LSTM Neural Network for Text Classification，將embedding輸出不直接接入LSTM，而是接入到cnn，通過cnn得到一些序列，然后吧這些序列再接入到LSTM，文章說這么做會(huì)提高***分類的準(zhǔn)去率。

代碼實(shí)踐

語料及任務(wù)介紹

訓(xùn)練的語料來自于大概31個(gè)新聞?lì)悇e的新聞?wù)Z料，但是其中有一些新聞數(shù)目比較少，所以取了數(shù)量比較多的前20個(gè)新聞?lì)惐鹊男侣務(wù)Z料，每篇新聞稿字?jǐn)?shù)從幾百到幾千不等，任務(wù)就是訓(xùn)練合適的分類器然后將新聞分為不同類別:

Bow

Bow對(duì)語料處理，得到tokens set：

def __get_all_tokens(self): 
    """ get all tokens of the corpus 
    """ 
    fwrite = open(self.data_path.replace("all.csv","all_token.csv"), 'w') 
    with open(self.data_path, "r") as fread: 
        i = 0 
        # while True: 
        for line in fread.readlines(): 
            try: 
                line_list = line.strip().split("\t") 
                label = line_list[0] 
                self.labels.append(label) 
                text = line_list[1] 
                text_tokens = self.cut_doc_obj.run(text) 
                self.corpus.append(' '.join(text_tokens)) 
                self.dictionary.add_documents([text_tokens]) 
                fwrite.write(label+"\t"+"\\".join(text_tokens)+"\n") 
                i+=1 
            except BaseException as e: 
                msg = traceback.format_exc() 
                print msg 
                print "=====>Read Done<======" 
                break 
    self.token_len = self.dictionary.__len__() 
    print "all token len "+ str(self.token_len) 
    self.num_data = i 
    fwrite.close()

然后，tokens set 以頻率閾值進(jìn)行濾除，然后對(duì)每篇文章做處理來進(jìn)行向量化：

def __filter_tokens(self, threshold_num=10): 
    small_freq_ids = [tokenid for tokenid, docfreq in self.dictionary.dfs.items() if docfreq < threshold_num ] 
    self.dictionary.filter_tokens(small_freq_ids) 
    self.dictionary.compactify() 
 
def vec(self): 
    """ vec: get a vec representation of bow 
    """ 
    self.__get_all_tokens() 
    print "before filter, the tokens len: {0}".format(self.dictionary.__len__()) 
    self.__filter_tokens() 
    print "After filter, the tokens len: {0}".format(self.dictionary.__len__()) 
    self.bow = [] 
    for file_token in self.corpus: 
        file_bow = self.dictionary.doc2bow(file_token) 
        self.bow.append(file_bow) 
    # write the bow vec into a file 
    bow_vec_file = open(self.data_path.replace("all.csv","bow_vec.pl"), 'wb') 
    pickle.dump(self.bow,bow_vec_file) 
    bow_vec_file.close() 
    bow_label_file = open(self.data_path.replace("all.csv","bow_label.pl"), 'wb') 
    pickle.dump(self.labels,bow_label_file) 
    bow_label_file.close()

最終就得到每篇文章的bow的向量，由于這塊的代碼是在我的筆記本上運(yùn)行的，直接跑占用內(nèi)存太大，因?yàn)槊恳黄恼略趖oken set中的表示是極其稀疏的，因此我們可以選擇將其轉(zhuǎn)為csr表示，然后進(jìn)行模型訓(xùn)練，轉(zhuǎn)為csr并保存中間結(jié)果代碼如下：

def to_csr(self): 
    self.bow = pickle.load(open(self.data_path.replace("all.csv","bow_vec.pl"), 'rb')) 
    self.labels = pickle.load(open(self.data_path.replace("all.csv","bow_label.pl"), 'rb')) 
    data = [] 
    rows = [] 
    cols = [] 
    line_count = 0 
    for line in self.bow: 
        for elem in line: 
            rows.append(line_count) 
            cols.append(elem[0]) 
            data.append(elem[1]) 
        line_count += 1 
    print "dictionary shape ({0},{1})".format(line_count, self.dictionary.__len__()) 
    bow_sparse_matrix = csr_matrix((data,(rows,cols)), shape=[line_count, self.dictionary.__len__()]) 
    print "bow_sparse matrix shape: " 
    print bow_sparse_matrix.shape 
    # rarray=np.random.random(size=line_count) 
    self.train_set, self.test_set, self.train_tag, self.test_tag = train_test_split(bow_sparse_matrix, self.labels, test_size=0.2) 
    print "train set shape: " 
    print self.train_set.shape 
    train_set_file = open(self.data_path.replace("all.csv","bow_train_set.pl"), 'wb') 
    pickle.dump(self.train_set,train_set_file) 
    train_tag_file = open(self.data_path.replace("all.csv","bow_train_tag.pl"), 'wb') 
    pickle.dump(self.train_tag,train_tag_file) 
    test_set_file = open(self.data_path.replace("all.csv","bow_test_set.pl"), 'wb') 
    pickle.dump(self.test_set,test_set_file) 
    test_tag_file = open(self.data_path.replace("all.csv","bow_test_tag.pl"), 'wb') 
    pickle.dump(self.test_tag,test_tag_file)

***訓(xùn)練模型代碼如下：

def train(self): 
    print "Beigin to Train the model" 
    lr_model = LogisticRegression() 
    lr_model.fit(self.train_set, self.train_tag) 
    print "End Now, and evalution the model with test dataset" 
    # print "mean accuracy: {0}".format(lr_model.score(self.test_set, self.test_tag)) 
    y_pred = lr_model.predict(self.test_set) 
    print classification_report(self.test_tag, y_pred) 
    print confusion_matrix(self.test_tag, y_pred) 
    print "save the trained model to lr_model.pl" 
    joblib.dump(lr_model, self.data_path.replace("all.csv","bow_lr_model.pl"))

TF-IDF

TF-IDF和Bow的操作十分類似，只是在向量化使使用tf-idf的方法：

def vec(self): 
    """ vec: get a vec representation of bow 
    """ 
    self.__get_all_tokens() 
    print "before filter, the tokens len: {0}".format(self.dictionary.__len__()) 
    vectorizer = CountVectorizer(min_df=1e-5) 
    transformer = TfidfTransformer() 
    # sparse matrix 
    self.tfidf = transformer.fit_transform(vectorizer.fit_transform(self.corpus)) 
    words = vectorizer.get_feature_names() 
    print "word len: {0}".format(len(words)) 
    # print self.tfidf[0] 
    print "tfidf shape ({0},{1})".format(self.tfidf.shape[0], self.tfidf.shape[1]) 
 
    # write the tfidf vec into a file 
    tfidf_vec_file = open(self.data_path.replace("all.csv","tfidf_vec.pl"), 'wb') 
    pickle.dump(self.tfidf,tfidf_vec_file) 
    tfidf_vec_file.close() 
    tfidf_label_file = open(self.data_path.replace("all.csv","tfidf_label.pl"), 'wb') 
    pickle.dump(self.labels,tfidf_label_file) 
    tfidf_label_file.close()

這兩類方法效果都不錯(cuò)，都能達(dá)到98+%的準(zhǔn)確率。

CNN

語料處理的方法和傳統(tǒng)的差不多，分詞之后，使用pretrain 的word2vec，這里我遇到一個(gè)坑，我開始對(duì)我的分詞太自信了，***模型一直不能收斂，后來向我們組博士請(qǐng)教，極有可能是由于分詞的詞序列中很多在pretrained word2vec里面是不存在的，而我這部分直接丟棄了，所有可能存在問題，分詞添加了詞典，然后，對(duì)于pre-trained word2vec不存在的詞做了一個(gè)隨機(jī)初始化，然后就能收斂了，學(xué)習(xí)了!!!

載入word2vec模型和構(gòu)建cnn網(wǎng)絡(luò)代碼如下(增加了一些bn和dropout的手段)：

def gen_embedding_matrix(self, load4file=True): 
    """ gen_embedding_matrix: generate the embedding matrix 
    """ 
    if load4file: 
        self.__get_all_tokens_v2() 
    else: 
        self.__get_all_tokens() 
    print "before filter, the tokens len: {0}".format( 
        self.dictionary.__len__()) 
    self.__filter_tokens() 
    print "after filter, the tokens len: {0}".format( 
        self.dictionary.__len__()) 
    self.sequence = [] 
    for file_token in self.corpus: 
        temp_sequence = [x for x, y in self.dictionary.doc2bow(file_token)] 
        print temp_sequence 
        self.sequence.append(temp_sequence) 
 
    self.corpus_size = len(self.dictionary.token2id) 
    self.embedding_matrix = np.zeros((self.corpus_size, EMBEDDING_DIM)) 
    print "corpus size: {0}".format(len(self.dictionary.token2id)) 
    for key, v in self.dictionary.token2id.items(): 
        key_vec = self.w2vec.get(key) 
        if key_vec is not None: 
            self.embedding_matrix[v] = key_vec 
        else: 
            self.embedding_matrix[v] = np.random.rand(EMBEDDING_DIM) - 0.5 
    print "embedding_matrix len {0}".format(len(self.embedding_matrix)) 
 
def __build_network(self): 
    embedding_layer = Embedding( 
        self.corpus_size, 
        EMBEDDING_DIM, 
        weights=[self.embedding_matrix], 
        input_length=MAX_SEQUENCE_LENGTH, 
        trainable=False) 
    # train a 1D convnet with global maxpooling 
    sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH, ), dtype='int32') 
    embedded_sequences = embedding_layer(sequence_input) 
    x = Convolution1D(128, 5)(embedded_sequences) 
    x = BatchNormalization()(x) 
    x = Activation('relu')(x) 
    x = MaxPooling1D(5)(x) 
    x = Convolution1D(128, 5)(x) 
    x = BatchNormalization()(x) 
    x = Activation('relu')(x) 
    x = MaxPooling1D(5)(x) 
    print "before 256", x.get_shape() 
    x = Convolution1D(128, 5)(x) 
    x = BatchNormalization()(x) 
    x = Activation('relu')(x) 
    x = MaxPooling1D(15)(x) 
    x = Flatten()(x) 
 
    x = Dense(128)(x) 
    x = BatchNormalization()(x) 
    x = Activation('relu')(x) 
    x = Dropout(0.5)(x) 
    print x.get_shape() 
    preds = Dense(self.class_num, activation='softmax')(x) 
    print preds.get_shape() 
    adam = Adam(lr=0.0001) 
    self.model = Model(sequence_input, preds) 
    self.model.compile( 
        loss='categorical_crossentropy', optimizer=adam, metrics=['acc'])

另外一種網(wǎng)絡(luò)結(jié)構(gòu)，韓國人那篇文章，網(wǎng)絡(luò)構(gòu)造如下：

def __build_network(self): 
    embedding_layer = Embedding( 
        self.corpus_size, 
        EMBEDDING_DIM, 
        weights=[self.embedding_matrix], 
        input_length=MAX_SEQUENCE_LENGTH, 
        trainable=False) 
    # train a 1D convnet with global maxpooling 
    sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH, ), dtype='int32') 
    embedded_sequences = embedding_layer(sequence_input) 
    conv_blocks = [] 
    for sz in self.filter_sizes: 
        conv = Convolution1D( 
            self.num_filters, 
            sz, 
            activation="relu", 
            padding='valid', 
            strides=1)(embedded_sequences) 
        conv = MaxPooling1D(2)(conv) 
        conv = Flatten()(conv) 
        conv_blocks.append(conv) 
    z = Merge( 
        conv_blocks, 
        mode='concat') if len(conv_blocks) > 1 else conv_blocks[0] 
    z = Dropout(0.5)(z) 
    z = Dense(self.hidden_dims, activation="relu")(z) 
    preds = Dense(self.class_num, activation="softmax")(z) 
    rmsprop = RMSprop(lr=0.001) 
    self.model = Model(sequence_input, preds) 
    self.model.compile( 
        loss='categorical_crossentropy', 
        optimizer=rmsprop, 
        metrics=['acc'])

LSTM

由于我這邊的task是對(duì)文章進(jìn)行分類，序列太長(zhǎng)，直接接LSTM后直接爆內(nèi)存，所以我在文章序列直接，接了兩層Conv1D+MaxPool1D來提取維度較低的向量表示然后接入LSTM，網(wǎng)絡(luò)結(jié)構(gòu)代碼如下：

def __build_network(self): 
    embedding_layer = Embedding( 
        self.corpus_size, 
        EMBEDDING_DIM, 
        weights=[self.embedding_matrix], 
        input_length=MAX_SEQUENCE_LENGTH, 
        trainable=False) 
    # train a 1D convnet with global maxpooling 
    sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH, ), dtype='int32') 
    embedded_sequences = embedding_layer(sequence_input) 
    x = Convolution1D( 
        self.num_filters, 5, activation="relu")(embedded_sequences) 
    x = MaxPooling1D(5)(x) 
    x = Convolution1D(self.num_filters, 5, activation="relu")(x) 
    x = MaxPooling1D(5)(x) 
    x = LSTM(64, dropout_W=0.2, dropout_U=0.2)(x) 
    preds = Dense(self.class_num, activation='softmax')(x) 
    print preds.get_shape() 
    rmsprop = RMSprop(lr=0.01) 
    self.model = Model(sequence_input, preds) 
    self.model.compile( 
        loss='categorical_crossentropy', 
        optimizer=rmsprop, 
        metrics=['acc'])

CNN 結(jié)果：

C-LSTM 結(jié)果：

整個(gè)實(shí)驗(yàn)的結(jié)果由于深度學(xué)習(xí)這部分都是在公司資源上跑的，沒有真正意義上地去做一些trick來調(diào)參來提高性能，這里所有的代碼的網(wǎng)絡(luò)配置包括參數(shù)都僅做參考，更深地工作需要耗費(fèi)更多的時(shí)間來做參數(shù)的優(yōu)化。

PS: 這里發(fā)現(xiàn)了一個(gè)keras 1.2.2的bug，在寫回調(diào)函數(shù)TensorBoard，當(dāng)histogram_freq=1時(shí)，顯卡占用明顯增多，M40的24g不夠用，個(gè)人感覺應(yīng)該是一個(gè)bug，但是考慮到1.2.2而非2.0，可能后面2.0都優(yōu)化了。

所有的代碼都在github上:tensorflow-101/nlp/text_classifier/scripts

總結(jié)和展望

在本文的實(shí)驗(yàn)效果中，雖然基于深度學(xué)習(xí)的方法和傳統(tǒng)方法相比沒有什么優(yōu)勢(shì)，可能原因有幾個(gè)方面：

Pretrained Word2vec Model并沒有覆蓋新聞中切分出來的詞，而且比例還挺高，如果能用網(wǎng)絡(luò)新聞?wù)Z料訓(xùn)練出一個(gè)比較精準(zhǔn)的Pretrained Word2vec，效果應(yīng)該會(huì)有很大的提升;
可以增加模型訓(xùn)練收斂的trick以及優(yōu)化器，看看是否有準(zhǔn)確率的提升;
網(wǎng)絡(luò)模型參數(shù)到現(xiàn)在為止，沒有做過深的優(yōu)化。

責(zé)任編輯：龐桂玉來源： 36大數(shù)據(jù)

大數(shù)據(jù)自然語言文本分類器