在之前的文章中談到了文本向量化的一些基本原理和概念，本文將介紹Word2Vec的代碼實現
Word2Vec論文地址
Embedding
與one-hot編碼相比，詞嵌入可以將更多的信息塞入更低的維度中
下面我們用 Keras 完成一個詞嵌入的學習，Keras 的 Embedding 層的輸入是一個二維整數張量， 形狀為（samples，sequence_length），即（樣本數，序列長度）
較短的序列應該用 0 填充，較長的序列應該被截斷，保證輸入的序列長度是相同的
Embedding 層輸出是（samples，sequence_length，embedding_dimensionality） 的三維浮點數張量。
- 首先，我們需要對文本進行分詞處理，然后對分詞結果進行序列化
- 再統一輸入的序列長度，最后把統一長度的序列化結果輸入到 Embedding 層中
整個過程可以用下面的圖描述
從樣本的角度看，我們可以用下面的圖描述這個過程
示意代碼如下
from keras.preprocessing.text import Tokenizer from keras.preprocessing.sequence import pad_sequences from keras.models import Sequential from keras.layers import Embedding, Flatten, Dense docs = ["The cat sat on the mat.", "I love green eggs and ham."] # 只考慮最常見的8個單詞 max_words = 8 # 統一的序列化長度 # 大於這個長度截斷，小於這個長度用0補全 maxlen = 5 # 嵌入的維度 embedding_dim = 3 # 分詞 tokenizer = Tokenizer(num_words=max_words) tokenizer.fit_on_texts(docs) # 字典 word_index = tokenizer.word_index # 序列化 sequences = tokenizer.texts_to_sequences(docs) # 統一序列長度 data = pad_sequences(sequences, maxlen=maxlen) # Embedding模型 model = Sequential() # Embedding至少需要max_wrods和embedding_dim兩個參數 model.add(Embedding(max_words, embedding_dim, input_length=maxlen, name='embedding')) model.compile('rmsprop', 'mse') out = model.predict(data) print(out) print(out.shape) # 查看權重 layer = model.get_layer('embedding') print(layer.get_weights())
剛剛對Keras中的一些文本處理模塊和Embedding做了簡單的說明和演示
在Embedding層后面可以跟上神經網絡，完成各種文本任務
下面使用IMDB電影評論做一個情感預測任務
from keras.datasets import imdb from keras import preprocessing from keras.models import Sequential from keras.layers import Flatten, Dense, Embedding # 特征單詞數 max_words = 10000 # 在20單詞后截斷文本 # 這些單詞都屬於max_words中的單詞 maxlen = 20 # 嵌入維度 embedding_dim = 8 # 加載數據集 # 加載的數據已經序列化過了，每個樣本都是一個sequence列表 (x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_words) # 統計序列長度，將數據集轉換成形狀為（samples，maxlen）的二維整數張量 x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen) x_test = preprocessing.sequence.pad_sequences(x_test, maxlen=maxlen) # 構建模型 model = Sequential() model.add(Embedding(max_words, embedding_dim, input_length=maxlen)) # 將3維的嵌入張量展平成形狀為（samples，maxlen * embedding_dim）的二維張量 model.add(Flatten()) 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)
我們只是簡單測試一下，我們最后得到的效果如下圖所示，這是只看前20個（maxlen為20）單詞的效果
如果增加到50個單詞，驗證集就達到了80%的正確率
Word2Vec
gensim實現Word2Vec
gensim庫提供了一個word2vec的實現，我們使用幾個API就可以方便地完成word2vec
from gensim.models import Word2Vec import re documents = ["The cat sat on the mat.", "I love green eggs and ham."] sentences = [] # 去標點符號 stop = '[’!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~]+' for doc in documents: doc = re.sub(stop, '', doc) sentences.append(doc.split())
#sentences = [["The", "cat", "sat", "on", "the", "mat"], # ["I", "love", "green", "eggs", "and", "ham"]] # size嵌入的維度，window窗口大小，workers訓練線程數 # 忽略單詞出現頻率小於min_count的單詞 # sg=1使用Skip-Gram，否則使用CBOW model = Word2Vec(sentences, size=5, window=1, min_count=1, workers=4, sg=1)
print(model.wv['cat'])
訓練得到Word2Vec模型后，我們在Keras的Embedding層中使用這個Word2Vec得到的權重
再利用神經網絡或其他方法去完成各種文本任務
Keras的Embedding和Word2Vec
我們去kaggle上下IMDB的電影評論數據集，用這個數據集來學習
因為在自己電腦上跑程序，沒有用服務器，本文只取了前100條用來學習
下面是kaggle上別人用這個數據集做的實驗
https://www.kaggle.com/alexcherniuk/imdb-review-word2vec-bilstm-99-acc/data
import pandas as pd import re from gensim.models import Word2Vec from keras.preprocessing.sequence import pad_sequences from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers import Embedding, Flatten, Dense """ 讀取訓練集並構造訓練樣本 """ def split_sentence(sentence): stop = '[’!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~]+' sentence = re.sub(stop, '', sentence) return sentence.split() data = pd.read_csv(r"F:\pythonWP\keras\blog\labeledTrainData.tsv", sep='\t') data = data[:100] sentences = data.review.apply(split_sentence) """ 訓練Word2Vec """ # 嵌入的維度 embedding_vector_size = 10 w2v_model = Word2Vec( sentences=sentences, size=embedding_vector_size, min_count=1, window=3, workers=4) # 取得所有單詞 vocab_list = list(w2v_model.wv.vocab.keys()) # 每個詞語對應的索引 word_index = {word: index for index, word in enumerate(vocab_list)} # 序列化 def get_index(sentence): global word_index sequence = [] for word in sentence: try: sequence.append(word_index[word]) except KeyError: pass return sequence X_data = list(map(get_index, sentences)) # 截長補短 maxlen = 150 X_pad = pad_sequences(X_data, maxlen=maxlen) # 取得標簽 Y = data.sentiment.values # 划分數據集 X_train, X_test, Y_train, Y_test = train_test_split( X_pad, Y, test_size=0.2, random_state=42) """ 構建分類模型 """ # 讓 Keras 的 Embedding 層使用訓練好的Word2Vec權重 embedding_matrix = w2v_model.wv.vectors model = Sequential() model.add(Embedding( input_dim=embedding_matrix.shape[0], output_dim=embedding_matrix.shape[1], input_length=maxlen, weights=[embedding_matrix], trainable=False)) model.add(Flatten()) model.add(Dense(5)) model.add(Dense(1, activation='sigmoid')) model.compile( loss="binary_crossentropy", optimizer='adam', metrics=['accuracy']) history = model.fit( x=X_train, y=Y_train, validation_data=(X_test, Y_test), batch_size=4, epochs=10)
由於訓練樣本少，得到的模型沒有太大意義，波動也大，僅用來學習。整個訓練集的使用可以去上面分享的鏈接去看kaggle上別人的實驗
LSTM和Word2Vec實現電影評論情感分析
數據集還是使用的跟上面是一樣的，kaggle 上 IMDB 的電影評論數據集。下面的代碼是在服務器上測試的。
在建模之前，需要進行簡單的數據處理，這是其中一條評論。可以看到，里面還有存在 html 的標簽 <br />還有許多標點符號 \\ 、 " 和 () 等等
'<br /><br />This movie is full of references. Like \\Mad Max II\\", \\"The wild one\\" and many others. The ladybug´s face it´s a clear reference (or tribute) to Peter Lorre. This movie is a masterpiece. We´ll talk much more about in the future."'
我們預處理首先就要去掉 html 標簽和這些標點符號，標點符號保留 “-” 和 “´” 下進行測試
- 一些縮寫會用到上引號，如 We´ll
- 一些短語會用到小橫桿，比如 heavy-handed
另外，為了簡化訓練詞向量和模型訓練的過程，還進行了其他處理，比如轉換為小寫和詞性還原。然后使用停用詞庫去除一些對 情感分析 用處不大的詞。
比如a, an, the 等
停用詞庫簡單使用了 sklearn 中自帶的停用詞。預處理代碼如下
import pandas as pd import re from sklearn.feature_extraction import text from nltk.stem import WordNetLemmatizer # 讀取數據 data = pd.read_csv(r"./data/labeledTrainData.tsv", sep='\t') def clean_review(raw_review: str) -> str: # 1. 評論是爬蟲抓取的，存在一些 html 標簽，需要去掉 review_text = raw_review.replace("<br />", '') # 2. 標點符號只保留 “-” 和 上單引號 review_text = rex.sub(' ', review_text) # 3. 全部變成小寫 review_text = review_text.lower() # 4. 分詞 word_list = review_text.split() # 5. 詞性還原 tokens = list(map(lemmatizer.lemmatize, word_list)) lemmatized_tokens = list(map(lambda x: lemmatizer.lemmatize(x, "v"), tokens)) # 6. 去停用詞 meaningful_words = list(filter(lambda x: not x in stop_words, lemmatized_tokens)) return meaningful_words stop_words = set(text.ENGLISH_STOP_WORDS) rex = re.compile(r'[!"#$%&\()*+,./:;<=>?@\\^_{|}~]+') lemmatizer = WordNetLemmatizer() sentences = data.review.apply(clean_review)
訓練 Word2Vec 獲取詞向量
from gensim.models import Word2Vec embedding_vector_size = 256 w2v_model = Word2Vec( sentences=sentences, size=embedding_vector_size, min_count=3, window=5, workers=4)
查看預處理完每句話大概有多少個單詞
cal_len = pd.DataFrame() cal_len['review_lenght'] = list(map(len, sentences)) print("中位數：", cal_len['review_lenght'].median()) print("均值數：", cal_len['review_lenght'].mean()) del cal_len
中位數： 82.0 均值數： 110.52928
用 數字索引 表示原來的句子
from keras.preprocessing.sequence import pad_sequences from sklearn.model_selection import train_test_split # 取得所有單詞 vocab_list = list(w2v_model.wv.vocab.keys()) # 每個詞語對應的索引 word_index = {word: index for index, word in enumerate(vocab_list)} # 序列化 def get_index(sentence): global word_index sequence = [] for word in sentence: try: sequence.append(word_index[word]) except KeyError: pass return sequence X_data = list(map(get_index, sentences)) # 截長補短 # max_len 根據中位數和平均值得來的 maxlen = 100 X_pad = pad_sequences(X_data, maxlen=maxlen) # 取得標簽 Y = data.sentiment.values # 划分數據集 X_train, X_test, Y_train, Y_test = train_test_split( X_pad, Y, test_size=0.2, random_state=42)
構建和訓練模型
from keras.models import Sequential from keras.layers import Embedding, Bidirectional, LSTM, Dropout, Dense # 讓 Keras 的 Embedding 層使用訓練好的Word2Vec權重 embedding_matrix = w2v_model.wv.vectors model = Sequential() model.add(Embedding( input_dim=embedding_matrix.shape[0], output_dim=embedding_matrix.shape[1], input_length=maxlen, weights=[embedding_matrix], trainable=False)) model.add(Bidirectional(LSTM(128, recurrent_dropout=0.1))) model.add(Dropout(0.25)) model.add(Dense(128, activation='sigmoid')) model.add(Dropout(0.3)) model.add(Dense(1, activation='sigmoid')) model.compile( loss="binary_crossentropy", optimizer='adam', metrics=['accuracy'] ) history = model.fit( x=X_train, y=Y_train, validation_data=(X_test, Y_test), batch_size=50, epochs=8 )
實驗結果，准確率81左右
