欢迎关注公众号: pythonhonor,一起学习python。
文章信息通过本教程,你可以掌握技能:使用预先训练的词向量和卷积神经网络解决一个文本分类问题。
本文代码已上传到
Github
本文作者:
Francois Chollet
1. 什么是词向量?
”词向量”(词嵌入)是将一类将词的语义映射到向量空间中去的自然语言处理技术。即将一个词用特定的向量来表示,向量之间的距离(例如,任意两个向量之间的
L2 范式距离或更常用的余弦距离)一定程度上表征了的词之间的语义关系。由这些向量形成的几何空间被称为一个嵌入空间。
例如,“椰子”和“北极熊”是语义上完全不同的词,所以它们的词向量在一个合理的嵌入空间的距离将会非常遥远。但“厨房”和“晚餐”是相关的话,所以它们的词向量之间的距离会相对小。
理想的情况下,在一个良好的嵌入空间里,从“厨房”向量到“晚餐”向量的“路径”向量会精确地捕捉这两个概念之间的语义关系。在这种情况下,“路径”向量表示的是“发生的地点”,所以你会期望“厨房”向量
-
“晚餐
” 向量(两个词向量的差异)捕捉到“发生的地点”这样的语义关系。基本上,我们应该有向量等式:晚餐
+
发生的地点 = 厨房(至少接近)。如果真的是这样的话,那么我们可以使用这样的关系向量来回答某些问题。例如,应用这种语义关系到一个新的向量,比如“工作”,我们应该得到一个有意义的等式,工作
+
发生的地点
=
办公室,来回答“工作发生在哪里?”。
词向量通过降维技术表征文本数据集中的词的共现信息。方法包括神经网络
(
“
Word2vec
”技术
),或矩阵分解。
2. GloVe 词向量
本文使用
GloVe 词向量
。
GloVe
是
“Global Vectors for Word Representation” 的缩写,一种基于共现矩阵分解的词向量。本文所使用的
GloVe
词向量是在
2014
年的英文维基百科上训练的,有
400k 个不同的词,每个词用
100
维向量表示。
点此下载
(
友情提示,词向量文件大小约为
822M)
3. 20 Newsgroup dataset
不同类别的新闻包含大量不同的单词,在语义上存在极大的差别。一些新闻类别如下所示:
- comp.sys.ibm.pc.hardware
- comp.graphics
- comp.os.ms-windows.misc
- comp.sys.mac.hardware
- comp.windows.x
- rec.autos
- rec.motorcycles
- rec.sport.baseball
- rec.sport.hockey
4. 实验方法
以下是我们如何解决分类问题的步骤:
- 将所有的新闻样本转化为词索引序列。所谓词索引就是为每一个词依次分配一个整数 ID。遍历所有的新闻文本,我们只保留最参见的 20,000 个词,而且每个新闻文本最多保留 1000 个词。
- 生成一个词向量矩阵。第 i 列表示词索引为 i 的词的词向量。
- 将词向量矩阵载入 Keras Embedding 层,设置该层的权重不可再训练(也就是说在之后的网络训练过程中,词向量不再改变)。
- Keras Embedding 层之后连接一个 1D 的卷积层,并用一个 softmax 全连接输出新闻类别。
5. 数据预处理
我们首先遍历下语料文件下的所有文件夹,获得不同类别的新闻以及对应的类别标签,代码如下所示 :
texts = [] # list of text samples
labels_index = {} # dictionary mapping label name to numeric id
labels = [] # list of label ids
for name in sorted(os.listdir(TEXT_DATA_DIR)):
path = os.path.join(TEXT_DATA_DIR, name)
if os.path.isdir(path):
label_id = len(labels_index)
labels_index[name] = label_id
for fname in sorted(os.listdir(path)):
if fname.isdigit():
fpath = os.path.join(path, fname)
if sys.version_info < (3,):
f = open(fpath)
else:
f = open(fpath, encoding='latin-1')
t = f.read()
i = t.find('\n\n') # skip header
if 0 < i:
t = t[i:]
texts.append(t)
f.close()
labels.append(label_id)
print('Found %s texts.' % len(texts))
之 后, 我 们 可 以 新 闻 样 本 转 化 为 神 经 网 络 训 练 所 用 的 张 量。 所 用 到 的
Keras 库 是keras.preprocessing.text.Tokenizer
和
keras.preprocessing.sequence.pad_sequences
。代码如下所示:
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
tokenizer = Tokenizer(nb_words=MAX_NB_WORDS)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
word_index = tokenizer.word_index
print('Found %s unique tokens.' % len(word_index))
data = pad_sequences(sequences, maxlen=MAX_SEQUENCE_LENGTH)
labels = to_categorical(np.asarray(labels))
print('Shape of data tensor:', data.shape)
print('Shape of label tensor:', labels.shape)
# split the data into a training set and a validation set
indices = np.arange(data.shape[0])
np.random.shuffle(indices)
data = data[indices]
labels = labels[indices]
nb_validation_samples = int(VALIDATION_SPLIT * data.shape[0])
x_train = data[:-nb_validation_samples]
y_train = labels[:-nb_validation_samples]
x_val = data[-nb_validation_samples:]
y_val = labels[-nb_validation_samples:]
6. Embedding layer 设置
接下来,我们从
GloVe
文件中解析出每个词和它所对应的词向量,并用字典的方式存储。
embeddings_index = {}
f = open(os.path.join(GLOVE_DIR, 'glove.6B.100d.txt'))
for line in f:
values = line.split()
word = values[0]
coefs = np.asarray(values[1:], dtype='float32')
embeddings_index[word] = coefs
f.close()
print('Found %s word vectors.' % len(embeddings_index))
此时,我们可以根据得到的字典生成上文所定义的词向量矩阵。
embedding_matrix = np.zeros((len(word_index) + 1, EMBEDDING_DIM))
for word, i in word_index.items():
embedding_vector = embeddings_index.get(word)
if embedding_vector is not None:
# words not found in embedding index will be all-zeros.
embedding_matrix[i] = embedding_vector
现在我们将这个词向量矩阵加载到
Embedding
层中,注意,我们设置
trainable=False 使得这个编码层不可再训练。
from keras.layers import Embedding
embedding_layer = Embedding(len(word_index) + 1,
EMBEDDING_DIM,
weights=[embedding_matrix],
input_length=MAX_SEQUENCE_LENGTH,
trainable=False)
一个
Embedding
层的输入应该是一系列的整数序列,比如一个
2D
的输入,它的
shape
值为 (samples, indices)
,也就是一个
samples
行,
indeces
列的矩阵。每一次的
batch
训练的输入应该被
padded 成相同大小(尽管
Embedding
层有能力处理不定长序列,如果你不指定数列长度这一参数)
dim). 所有的序列中的整数都将被对应的词向量矩阵中对应的列(也就是它的词向量)代替
,
比如序列
[1,2]
将被序列
[
词向量 [1], 词向量
[2]]
代替。这样,输入一个
2D
张量后,我们可以得到一个
3D
张量。
7. 训练 1D 卷积
最后,我们可以使用一个小型的
1D
卷积解决这个新闻分类问题。
sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH,), dtype='int32')
embedded_sequences = embedding_layer(sequence_input)
x = Conv1D(128, 5, activation='relu')(embedded_sequences)
x = MaxPooling1D(5)(x)
x = Conv1D(128, 5, activation='relu')(x)
x = MaxPooling1D(5)(x)
x = Conv1D(128, 5, activation='relu')(x)
x = MaxPooling1D(35)(x) # global max pooling
x = Flatten()(x)
x = Dense(128, activation='relu')(x)
preds = Dense(len(labels_index), activation='softmax')(x)
model = Model(sequence_input, preds)
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['acc'])
# happy learning!
model.fit(x_train, y_train, validation_data=(x_val, y_val),
epochs=2, batch_size=128)
在两次迭代之后,这个模型最后可以达到
0.95
的分类准确率(
4:1 分割训练和测试集合)。你可以利用正则方法(例如
dropout
)或在
Embedding
层上进行
fine-tuning
获得更高的准确率。
我们可以做一个对比实验,直接使用
Keras
自带的
Embedding
层训练词向量而不用
GloVe 向量。代码如下所示:
embedding_layer = Embedding(len(word_index) + 1,
EMBEDDING_DIM,
input_length=MAX_SEQUENCE_LENGTH)
两次迭代之后,我们可以得到 0.9 的准确率。所以使用预训练的词向量作为特征是非常有效的。一般来说,在自然语言处理任务中,当样本数量非常少时,使用预训练的词向量是可行的(实际上,预训练的词向量引入了外部语义信息,往往对模型很有帮助)。