任务说明
- 学习主题:论文分类(数据建模任务),利用已有数据建模,对新论文进行类别分类;
- 学习内容:使用论文标题完成类别分类;
- 学习成果:学会文本分类的基本方法、TF-IDF等;
数据处理步骤
在原始arxiv论文中论文都有对应的类别,而论文类别是作者填写的。在本次任务中我们可以借助论文的标题和摘要完成:
- 对论文标题和摘要进行处理;
- 对论文类别进行处理;
- 构建文本分类模型;
文本分类思路
-
思路1:TF-IDF+机器学习分类器
直接使用TF-IDF对文本提取特征,使用分类器进行分类,分类器的选择上可以使用SVM、LR、XGboost等 -
思路2:FastText
FastText是入门款的词向量,利用Facebook提供的FastText工具,可以快速构建分类器 -
思路3:WordVec+深度学习分类器
WordVec是进阶款的词向量,并通过构建深度学习分类完成分类。深度学习分类的网络结构可以选择TextCNN、TextRnn或者BiLSTM。 -
思路4:Bert词向量
Bert是高配款的词向量,具有强大的建模学习能力。
具体代码实现以及讲解
通用部分:数据读取+预处理+类别编码
1.字段读取
选取前20w行数据
import json
import pandas as pd
data = [] #初始化
#使用with语句优势:1.自动关闭文件句柄;2.自动显示(处理)文件读取数据异常
with open("./data/arxiv-metadata-oai-snapshot.json", 'r') as f:
for idx, line in enumerate(f):
d = json.loads(line)
d = {'title': d['title'], 'categories': d['categories'], 'abstract': d['abstract']}
data.append(d)
# 选择部分数据
if idx > 199999:
break
data = pd.DataFrame(data) #将list变为dataframe格式,方便使用pandas进行分析
2.预处理:拼接+整理格式
为了方便数据的处理,我们可以将标题和摘要拼接一起完成分类。
data['text'] = data['title'] + data['abstract']
data['text']
看下标题和摘要拼接后完整的样子:
因为句子太长所以需要换行,会出现\n换行符号,我们需要去掉换行符,同时为了简便,对所有数据都进行小写化:
data['text'] = data['text'].apply(lambda x: x.replace('\n',' '))
data['text'] = data['text'].str.lower()
# data['text'] = data['text'].apply(lambda x: x.lower())
data['text']
上面用了两种方法进行处理,一种是内置函数,另一种是利用pandas的str文本对象进行处理。使用str对象,结合正则表达式,包括替换、删除、抽取都可以很方便处理,扩展内容可以看我之前整理的内容:pandas-task08-文本数据.md
去掉标题和摘要列
data = data.drop(['abstract', 'title'], axis=1)
data
扩展知识
预处理部分有时候还需要去停用词(stop words)。中文还涉及到分词问题,因为中文都是连续的,而英文有空格可以天然分开各单词不需要分词。中文分词用的比较多的一般是jieba、SnowNLP、THULAC等,可以自行了解,很方便使用,中文分词介绍链接。
3.类别编码
由于原始论文有可能有多个类别,所以也需要处理:
#获得多个类
data['categories']=data['categories'].str.split(' ')
#对类别处理 只细分到大类 不再往下细分
data['categories_big'] = data['categories'].
apply(lambda x:[xx.split('.')[0]
for xx in x])
data[‘categories’] 获取多个类别
data[‘categories_big’]获得大类别
然后将类别进行编码,这里类别是多个,所以需要多编码:
from sklearn.preprocessing import MultiLabelBinarizer
mlb = MultiLabelBinarizer()
data_label = mlb.fit_transform(data['categories_big'].iloc[:])
data_label
从上面我们知道第二行数据是两个类别,打印下第二行是否是两个类别:
可以看的的确是两个类别,分别对应第3类和第10类。
思路1
TF-IDF相关内容介绍
思路1使用TFIDF提取特征,限制最多4000个单词:
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer(max_features=4000)
data_tfidf = vectorizer.fit_transform(data['text'].iloc[:])
data_tfidf
由于这里是多标签分类,可以使用sklearn的多标签分类进行封装:
# 划分训练集和验证集
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data_tfidf, data_label,
test_size = 0.2,random_state = 1)
# 构建多标签分类模型
from sklearn.multioutput import MultiOutputClassifier
from sklearn.naive_bayes import MultinomialNB
clf = MultiOutputClassifier(MultinomialNB()).fit(x_train, y_train)
clf
验证模型的精度:
from sklearn.metrics import classification_report
print(classification_report(y_test, clf.predict(x_test)))
classification_report各个指标的说明
可能遇到的问题
在做task4的时候,队伍里小伙伴问了我一个警告,大家也可能会遇到,所以记录下。报UndefinedMetricWarning这个警告的大概意思是在预测的标签中有类别一个都没预测出来。
我让她打印了下support这栏,support表示对于类有多少个样板预测到:
可以看到有很多类别一个都没预测到,初步分析可能是数据量比较少或者其他原因,因为她只用了更少的数据测试。
思路2
思路2使用深度学习模型,单词进行词嵌入然后训练。首先按照文本划分数据集:
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(data['text'].iloc[:], data_label,
test_size = 0.2,random_state = 1)
将数据集处理进行编码,并进行截断:
# parameter
max_features= 500
max_len= 150
embed_size=100
batch_size = 128
epochs = 5
from keras.preprocessing.text import Tokenizer
from keras.preprocessing import sequence
tokens = Tokenizer(num_words = max_features)
tokens.fit_on_texts(list(x_train)+list(x_test))
x_sub_train = tokens.texts_to_sequences(x_train)
x_sub_test = tokens.texts_to_sequences(x_test)
x_sub_train=sequence.pad_sequences(x_sub_train, maxlen=max_len)
x_sub_test=sequence.pad_sequences(x_sub_test, maxlen=max_len)
定义模型并完成训练:
# LSTM model
# Keras Layers:
from keras.layers import Dense,Input,LSTM,Bidirectional,Activation,Conv1D,GRU
from keras.layers import Dropout,Embedding,GlobalMaxPooling1D, MaxPooling1D, Add, Flatten
from keras.layers import GlobalAveragePooling1D, GlobalMaxPooling1D, concatenate, SpatialDropout1D# Keras Callback Functions:
from keras.callbacks import Callback
from keras.callbacks import EarlyStopping,ModelCheckpoint
from keras import initializers, regularizers, constraints, optimizers, layers, callbacks
from keras.models import Model
from keras.optimizers import Adam
sequence_input = Input(shape=(max_len, ))
x = Embedding(max_features, embed_size,trainable = False)(sequence_input)
x = SpatialDropout1D(0.2)(x)
x = Bidirectional(GRU(128, return_sequences=True,dropout=0.1,recurrent_dropout=0.1))(x)
x = Conv1D(64, kernel_size = 3, padding = "valid", kernel_initializer = "glorot_uniform")(x)
avg_pool = GlobalAveragePooling1D()(x)
max_pool = GlobalMaxPooling1D()(x)
x = concatenate([avg_pool, max_pool])
preds = Dense(19, activation="sigmoid")(x)
model = Model(sequence_input, preds)
model.compile(loss='binary_crossentropy',optimizer=Adam(lr=1e-3),metrics=['accuracy'])
model.fit(x_sub_train, y_train, batch_size=batch_size, epochs=epochs)
注意这里的数字,一开始写成20了报错,需要和y_train的大小相符才可以,改成19后成功。
这里是用cpu跑的,比较慢。想到用gpu跑,但是keras是基于TensorFlow的,我平时都是用的pytorch,没有下载tf-gpu,所以就暂时不配置了。