NLP06:基于TextCNN的中文文本分类

2024-09-01 08:18

本文主要是介绍NLP06:基于TextCNN的中文文本分类,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

公众号:数据挖掘与机器学习笔记

1.TextCNN基本原理

主要看第二张图:

  • 第一层为输入层,输入是一个 n × k n \times k n×k的矩阵,图中为 7 × 5 7 \times 5 7×5。其中 n n n为句子中的单词数, k k k为词向量维度。词向量可以是预训练好的,也可以在网络中重新开始训练。第一张图中输入有两个矩阵,其中一个使用的预训练好的向量,另一个则作为训练参数。
  • 第二层为卷积层,可以把矩阵理解为一张channels为1的图像,使用宽度同词向量维度一样的卷积核去做卷积运算,且卷积核只在高度方向(单词方向).因此每次卷积核滑动的位置都是完整的单词,保证了单词作为语言中最小粒度的合理性。假设词向量维度为embedding_dim,卷积核高度为filter_window_size,则卷积核大小为(embedding_dim,filter_window_size),卷积后的大小为(sequence_len-filter_window_size,1)
  • 第三层为卷积层,经过max_pooling后得到一个标量。实际中会使用num_filters卷积核同时卷积,每个卷积核得到的标量拼接在一起形成一个向量。此外,也会使用多个filter_window_size(如图2中3个filter_window_size分别为3、4、5),每个filter_window_size会得到一个向量,最后把所有的向量拼接在一起,然后接一个softmax进行分类。

2. TextCNN实现

import torch
from torch import nn
from torch.nn import functional as F
import math
from torch.utils.data import Dataset,DataLoader
import numpy as np
import random
from sklearn.model_selection import train_test_split
import pandas as pd
import re
from tensorflow.keras.preprocessing import sequencemaxlen=300
batch_size=128

2.1 数据预处理

def textToChars(filePath):"""读取文本文件并进行处理:param filePath:文件路径:return:"""lines = []df=pd.read_excel(filePath,header=None)df.columns=['content']for index, row in df.iterrows():row=row['content']row = re.sub("[^\u4e00-\u9fa5]", "", str(row))  # 只保留中文lines.append(list(row))return linesdef getWordIndex(vocabPath):"""获取word2Index,index2Word:param vocabPath:词汇文件:return:"""word2Index = {}with open(vocabPath, encoding="utf-8") as f:for line in f.readlines():word2Index[line.strip()] = len(word2Index)index2Word = dict(zip(word2Index.values(), word2Index.keys()))return word2Index, index2Worddef lodaData(posFile, negFile, word2Index):"""获取训练数据:param posFile:正样本文件:param negFile:负样本文件:param word2Index::return:"""posLines = textToChars(posFile)negLines = textToChars(negFile)posIndexLines = [[word2Index[word] if word2Index.get(word) else 0 for word in line] for line in posLines]negIndexLines = [[word2Index[word] if word2Index.get(word) else 0 for word in line] for line in negLines]lines = posIndexLines + negIndexLinesprint("训练样本和测试样本共:%d 个"%(len(lines)))# lens = [len(line) for line in lines]labels = [1] * len(posIndexLines) + [0] * len(negIndexLines)padSequences = sequence.pad_sequences(lines, maxlen=maxlen, padding="post", truncating="post")X_train,X_test,y_train,y_test=train_test_split(padSequences,np.array(labels),test_size=0.2,random_state=42)return X_train,X_test,y_train,y_test
vocabPath="/content/drive/My Drive/data/vocab.txt"
negFilePath="/content/drive/My Drive/data/text_classify/sentiment/neg.xls"
posFilePath="/content/drive/My Drive/data/text_classify/sentiment/pos.xls"
word2Index, index2Word=getWordIndex(vocabPath)
X_train,X_test,y_train,y_test=lodaData(posFile=posFilePath,negFile=negFilePath,word2Index=word2Index)
print(X_train.shape,X_test.shape,y_train.shape,y_test.shape)
class MyDataset(Dataset):def __init__(self,features,labels):"""features:文本向量化后的特征labels:标签向量 """self.features=featuresself.labels=labelsdef __len__(self):return self.features.shape[0]def __getitem__(self,index):return self.features[index],self.labels[index]train_dataset=MyDataset(X_train,y_train)
test_dataset=MyDataset(X_test,y_test)
train_dataloader=DataLoader(train_dataset,batch_size=batch_size,shuffle=True)
test_dataloader=DataLoader(test_dataset,batch_size=batch_size,shuffle=False)

2.2 TextCNN实现

class TextCnn(nn.Module):def __init__(self, param: dict):super(TextCnn, self).__init__()input_channel = 1  # input channel sizeoutput_channel = param["output_channel"]  # output channel sizekernel_size = param["kernel_size"]vocab_size = param["vocab_size"]embedding_dim = param["embedding_dim"]dropout = param["dropout"]class_num = param["class_num"]self.param = paramself.embedding = nn.Embedding(vocab_size, embedding_dim,padding_idx=0)self.conv1 = nn.Conv2d(input_channel, output_channel, (kernel_size[0], embedding_dim))self.conv2 = nn.Conv2d(input_channel, output_channel, (kernel_size[1], embedding_dim))self.conv3 = nn.Conv2d(input_channel, output_channel, (kernel_size[2], embedding_dim))self.dropout = nn.Dropout(dropout)self.fc1 = nn.Linear(len(kernel_size) * output_channel, class_num)def init_embedding(self, embedding_matrix):self.embedding.weight = nn.Parameter(torch.Tensor(embedding_matrix))@staticmethoddef conv_pool(x, conv):"""卷积+池化:param x:[batch_size,1,sequence_length,embedding_dim]:param conv::return:"""x = conv(x)  # 卷积, [batch_size,output_channel,h_out,1]x = F.relu((x.squeeze(3)))  # 去掉最后一维,[batch_size,output_channel,h_out]x = F.max_pool1d(x, x.size(2)).squeeze(2)  # [batch_size,output_channel]return xdef forward(self, x):"""前向传播:param x:[batch_size,sequence_length]:return:"""x = self.embedding(x)  # [batch_size,sequence_length,embedding_dim]x = x.unsqueeze(1)  # 增加一个channel维度 [batch_size,1,sequence_length,embedding_dim]x1 = self.conv_pool(x, self.conv1)  # [batch_size,output_channel]x2 = self.conv_pool(x, self.conv2)  # [batch_size,output_channel]x3 = self.conv_pool(x, self.conv3)  # [batch_size,output_channel]x = torch.cat((x1, x2, x3), 1)  # [batch_size,output_channel*3]x = self.dropout(x)logit = F.log_softmax(self.fc1(x), dim=1)return logitdef init_weights(self):for m in self.modules():if isinstance(m, nn.Conv2d):n = m.kernel_size[0] * m.kernel_size[1] * m.out_channelsm.weight.data.normal_(0, math.sqrt(2. / n))if m.bias is not None:m.bias.data.zero_()elif isinstance(m, nn.BatchNorm2d):m.weight.data.fill_(1)m.bias.data.zero_()elif isinstance(m, nn.Linear):m.weight.data.normal_(0, 0.01)m.bias.data.zero_()

2.3 模型训练

textCNNParams={"vocab_size":len(word2Index),"embedding_dim":100,"class_num":2,"output_channel":4,"kernel_size":[3,4,5],"dropout":0.2
}
net=TextCnn(textCNNParams)
# net.init_weights()net.cuda()
optimizer=torch.optim.SGD(net.parameters(),lr=0.01)
criterion=nn.NLLLoss()
for epoch in range(10):total_train_loss=[]net.train()for i,(feature,label) in enumerate(train_dataloader):feature=feature.cuda()label=label.cuda()y_pred=net(feature.long()) #前向计算loss=criterion(y_pred,label) #计算损失optimizer.zero_grad() #清除梯度loss.backward() #计算梯度,误差回传optimizer.step() #更新参数total_train_loss.append(loss.data.item())total_valid_loss=[]pred_true_labels=0net.eval()for i,(feature_test,label_test) in enumerate(test_dataloader):feature_test=feature_test.cuda()label_test=label_test.cuda()with torch.no_grad():pred_test=net(feature_test.long())test_loss=criterion(pred_test,label_test)total_valid_loss.append(test_loss.data.item())# accu=torch.sum((torch.argmax(pred_test,dim=1)==label_test)).data.item()/feature_test.shape[0]pred_true_labels+=torch.sum(torch.argmax(pred_test,dim=1)==label_test).data.item()print("epoch:{},train_loss:{},test_loss:{},accuracy:{}".format(epoch,np.mean(total_train_loss),np.mean(total_valid_loss),pred_true_labels/len(test_dataset)))

2.4 模型测试

def predict_one(sentence,net,word2Index):sentence=re.sub("[^\u4e00-\u9fa5]", "", str(sentence))  # 只保留中文print(sentence)sentence=[word2Index[word] if word2Index.get(word) else 0 for word in sentence]sentence=sentence+[0]*(maxlen-len(sentence)) if len(sentence)<maxlen else sentence[0:300]print(sentence)sentence=torch.tensor(np.array(sentence)).view(-1,len(sentence)).cuda()label=torch.argmax(net(sentence),dim=1).data.item()print(label)
sentence="一次很不爽的购物,页面上说是第二天能到货,结果货是从陕西发出的,卖家完全知道第二天根本到不了货。多处提到送货入户还有100%送货入户也没有兑现,与客服联系多日,还是把皮球踢到快递公司。算是一个教训吧。"
predict_one(sentence,net,word2Index)

代码:https://github.com/chongzicbo/nlp-ml-dl-notes/blob/master/code/textclassification/text_cnn.ipynb

在这里插入图片描述

这篇关于NLP06:基于TextCNN的中文文本分类的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1126408

相关文章

Linux使用cut进行文本提取的操作方法

《Linux使用cut进行文本提取的操作方法》Linux中的cut命令是一个命令行实用程序,用于从文件或标准输入中提取文本行的部分,本文给大家介绍了Linux使用cut进行文本提取的操作方法,文中有详... 目录简介基础语法常用选项范围选择示例用法-f:字段选择-d:分隔符-c:字符选择-b:字节选择--c

Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)

《Python爬虫selenium验证之中文识别点选+图片验证码案例(最新推荐)》本文介绍了如何使用Python和Selenium结合ddddocr库实现图片验证码的识别和点击功能,感兴趣的朋友一起看... 目录1.获取图片2.目标识别3.背景坐标识别3.1 ddddocr3.2 打码平台4.坐标点击5.图

Java下载文件中文文件名乱码的解决方案(文件名包含很多%)

《Java下载文件中文文件名乱码的解决方案(文件名包含很多%)》Java下载文件时,文件名中文乱码问题通常是由于编码不正确导致的,使用`URLEncoder.encode(filepath,UTF-8... 目录Java下载文件中文文件名乱码问题一般情况下,大家都是这样为了解决这个问题最终解决总结Java下

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep

Go语言实现将中文转化为拼音功能

《Go语言实现将中文转化为拼音功能》这篇文章主要为大家详细介绍了Go语言中如何实现将中文转化为拼音功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 有这么一个需求:新用户入职 创建一系列账号比较麻烦,打算通过接口传入姓名进行初始化。想把姓名转化成拼音。因为有些账号即需要中文也需要英

通过C#获取PDF中指定文本或所有文本的字体信息

《通过C#获取PDF中指定文本或所有文本的字体信息》在设计和出版行业中,字体的选择和使用对最终作品的质量有着重要影响,然而,有时我们可能会遇到包含未知字体的PDF文件,这使得我们无法准确地复制或修改文... 目录引言C# 获取PDF中指定文本的字体信息C# 获取PDF文档中用到的所有字体信息引言在设计和出

Java操作xls替换文本或图片的功能实现

《Java操作xls替换文本或图片的功能实现》这篇文章主要给大家介绍了关于Java操作xls替换文本或图片功能实现的相关资料,文中通过示例代码讲解了文件上传、文件处理和Excel文件生成,需要的朋友可... 目录准备xls模板文件:template.xls准备需要替换的图片和数据功能实现包声明与导入类声明与

python解析HTML并提取span标签中的文本

《python解析HTML并提取span标签中的文本》在网页开发和数据抓取过程中,我们经常需要从HTML页面中提取信息,尤其是span元素中的文本,span标签是一个行内元素,通常用于包装一小段文本或... 目录一、安装相关依赖二、html 页面结构三、使用 BeautifulSoup javascript

中文分词jieba库的使用与实景应用(一)

知识星球:https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义: 精确模式(默认模式): 全模式: 搜索引擎模式: paddle 模式(基于深度学习的分词模式): 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境