人工智能python实现-处理文本数据

人工智能python实现-处理文本数据
6.1 处理文本数据
6.1.1 单词和字符的 one-hot编码
6.1.2 使用词嵌入
6.1.3 整合在一起:从原始文本到词嵌入

第6章 深度学习用于文本和序列

本章包括以下内容:

  • 将文本数据预处理为有用的数据表示
  • 使用循环神经网络
  • 使用一维卷积神经网络处理序列

本章将介绍使用深度学习模型处理文本(可以将其理解为单词序列或字符序列)、时间序列和一般的序列数据。用于处理序列的两种基本的深度学习算法分别是循环神经网络(recurrent neural network)和一维卷积神经网络(1D  convnet),后者是上一章介绍的二维卷积神经网络的一维版本。本章将讨论这两种方法。

这些算法的应用包括:

  • 文档分类和时间序列分类,比如识别文章的主题或书的作者;
  • 时间序列对比,比如估测两个文档或两支股票行情的相关程度;
  • 序列到序列的学习,比如将英语翻译成法语;
  • 情感分析,比如将推文或电影评论的情感划分为正面或负面;
  • 时间序列预测,比如根据某地最近的天气数据来预测未来天气。

本章的示例重点讨论两个小任务:一个是 IMDB数据集的情感分析,这个任务前面介绍过;另一个是温度预测。但这两个任务中所使用的技术可以应用于上面列出来的所有应用。

6.1 处理文本数据

文本是最常用的序列数据之一,可以理解为字符序列或单词序列,但最常见的是单词级处理。后面几节介绍的深度学习序列处理模型都可以根据文本生成基本形式的自然语言理解,并可用于文档分类、情感分析、作者识别甚至问答(QA,在有限的语境下)等应用。当然,请记住,本章的这些深度学习模型都没有像人类一样真正地理解文本,而只是映射出书面语言的统计结构,但这足以解决许多简单的文本任务。深度学习用于自然语言处理是将模式识别应用于单词、句子和段落,这与计算机视觉是将模式识别应用于像素大致相同。

与其他所有神经网络一样,深度学习模型不会接收原始文本作为输入,它只能处理数值张量。文本向量化(vectorize)是指将文本转换为数值张量的过程。它有多种实现方法。

  • 将文本分割为单词,并将每个单词转换为一个向量。
  • 将文本分割为字符,并将每个字符转换为一个向量。
  • 提取单词或字符的   n-gram,并将每个 n-gram转换为一个向量。n-gram是多个连续单词
  • 或字符的集合(n-gram之间可重叠)。

将文本分解而成的单元(单词、字符或   n-gram)叫作标记(token),将文本分解成标记的过程叫作分词(tokenization)。所有文本向量化过程都是应用某种分词方案,然后将数值向量与生成的标记相关联。这些向量组合成序列张量,被输入到深度神经网络中(见图   6-1)。将向量与标记相关联的方法有很多种。本节将介绍两种主要方法:对标记做   one-hot编码(one-hot encoding)与标记嵌入[token  embedding,通常只用于单词,叫作词嵌入(word   embedding)]。本节剩余内容将解释这些方法,并介绍如何使用这些方法,将原始文本转换为可以输入到  Keras网络中的 Numpy张量。

图 6-1 从文本到标记再到向量

理解 n-gram和词袋

n-gram是从一个句子中提取的  N个(或更少)连续单词的集合。这一概念中的“单词”也可以替换为“字符”。

下面来看一个简单的例子。考虑句子“ The cat  sat on the  mat.”(“猫坐在垫子上”)。它可以被分解为以下二元语法(2-grams)的集合。

{"The", "The cat", "cat", "cat sat", "sat",
  "sat on", "on", "on the", "the", "the mat", "mat"}

这个句子也可以被分解为以下三元语法(3-grams)的集合。

{"The", "The cat", "cat", "cat sat", "The cat sat",
  "sat", "sat on", "on", "cat sat on", "on the", "the",
  "sat on the", "the mat", "mat", "on the mat"}

这样的集合分别叫作二元语法袋(bag-of-2-grams)及三元语法袋(bag-of-3-grams)。这里袋(bag)这一术语指的是,我们处理的是标记组成的集合,而不是一个列表或序列,即标记没有特定的顺序。这一系列分词方法叫作词袋(bag-of-words)。

词袋是一种不保存顺序的分词方法(生成的标记组成一个集合,而不是一个序列,舍弃了句子的总体结构),因此它往往被用于浅层的语言处理模型,而不是深度学习模型。提取 n-gram是一种特征工程,深度学习不需要这种死板而又不稳定的方法,并将其替换为分层特征学习。本章后面将介绍的一维卷积神经网络和循环神经网络,都能够通过观察连续的单词序列或字符序列来学习单词组和字符组的数据表示,而无须明确知道这些组的存在。因此,本书不会进一步讨论 n-gram。但一定要记住,在使用轻量级的浅层文本处理模型时(比如 logistic回归和随机森林),n-gram是一种功能强大、不可或缺的特征工程工具。

6.1.1 单词和字符的 one-hot编码

one-hot编码是将标记转换为向量的最常用、最基本的方法。在第  3章的  IMDB和路透社两个例子中,你已经用过这种方法(都是处理单词)。它将每个单词与一个唯一的整数索引相关联,然后将这个整数索引 i转换为长度为  N的二进制向量(N是词表大小),这个向量只有第   i个元素是 1,其余元素都为 0。

当然,也可以进行字符级的 one-hot编码。为了让你完全理解什么是   one-hot编码以及如何实现 one-hot编码,代码清单  6-1和代码清单 6-2给出了两个简单示例,一个是单词级的   one-hot编码,另一个是字符级的 one-hot编码。

代码清单 6-1 单词级的 one-hot编码(简单示例)

代码清单 6-2 字符级的 one-hot编码(简单示例)

注意,Keras的内置函数可以对原始文本数据进行单词级或字符级的    one-hot编码。你应该使用这些函数,因为它们实现了许多重要的特性,比如从字符串中去除特殊字符、只考虑数据集中前 N个最常见的单词(这是一种常用的限制,以避免处理非常大的输入向量空间)。

代码清单 6-3 用 Keras实现单词级的  one-hot编码

one-hot编码的一种变体是所谓的  one-hot散列技巧(one-hot   hashing trick),如果词表中唯一标记的数量太大而无法直接处理,就可以使用这种技巧。这种方法没有为每个单词显式分配一个索引并将这些索引保存在一个字典中,而是将单词散列编码为固定长度的向量,通常用一个非常简单的散列函数来实现。这种方法的主要优点在于,它避免了维护一个显式的单词索引,从而节省内存并允许数据的在线编码(在读取完所有数据之前,你就可以立刻生成标记向量)。这种方法有一个缺点,就是可能会出现散列冲突(hash   collision),即两个不同的单词可能具有相同的散列值,随后任何机器学习模型观察这些散列值,都无法区分它们所对应的单词。如果散列空间的维度远大于需要散列的唯一标记的个数,散列冲突的可能性会减小。

代码清单 6-4 使用散列技巧的单词级的 one-hot编码(简单示例)

 6.1.2 使用词嵌入

将单词与向量相关联还有另一种常用的强大方法,就是使用密集的词向量(word    vector),也叫词嵌入(word embedding)。one-hot编码得到的向量是二进制的、稀疏的(绝大部分元素都是 0)、维度很高的(维度大小等于词表中的单词个数),而词嵌入是低维的浮点数向量(即密集向量,与稀疏向量相对),参见图 6-2。与 one-hot编码得到的词向量不同,词嵌入是从数据中学习得到的。常见的词向量维度是  256、512或  1024(处理非常大的词表时)。与此相对,one-hot编码的词向量维度通常为  20 000或更高(对应包含  20 000个标记的词表)。因此,词向量可以将更多的信息塞入更低的维度中。

图 6-2 e-nhoot编码或      one-hot散列得到的词表示是稀疏的、高维的、硬编码的,而词嵌入是密集的、相对低维的,而且是从数据中学习得到的

获取词嵌入有两种方法。

  • 在完成主任务(比如文档分类或情感预测)的同时学习词嵌入。在这种情况下,一开始是随机的词向量,然后对这些词向量进行学习,其学习方式与学习神经网络的权重相同。  
  • 在不同于待解决问题的机器学习任务上预计算好词嵌入,然后将其加载到模型中。这些词嵌入叫作预训练词嵌入(pretrained word embedding)。

我们来分别看一下这两种方法。

1.利用Embedding层学习词嵌入

要将一个词与一个密集向量相关联,最简单的方法就是随机选择向量。这种方法的问题在于,得到的嵌入空间没有任何结构。例如, accurate和  exact两个词的嵌入可能完全不同,尽管它们在大多数句子里都是可以互换的。深度神经网络很难对这种杂乱的、非结构化的嵌入空间进行学习。

说得更抽象一点,词向量之间的几何关系应该表示这些词之间的语义关系。词嵌入的作用应该是将人类的语言映射到几何空间中。例如,在一个合理的嵌入空间中,同义词应该被嵌入到相似的词向量中,一般来说,任意两个词向量之间的几何距离(比如 L2距离)应该和这两个词的语义距离有关(表示不同事物的词被嵌入到相隔很远的点,而相关的词则更加靠近)。除了距离,你可能还希望嵌入空间中的特定方向也是有意义的。为了更清楚地说明这一点,我们来看一个具体示例。

在图 6-3中,四个词被嵌入在二维平面上,这四个词分别是  cat(猫)、dog(狗)、wolf(狼)和 tiger(虎)。对于我们这里选择的向量表示,这些词之间的某些语义关系可以被编码为几何变换。例如,从 cat到  tiger的向量与从  dog到  wolf的向量相等,这个向量可以被解释为“从宠物到野生动物”向量。同样,从 dog到  cat的向量与从   wolf到  tiger的向量也相等,它可以被解释为“从犬科到猫科”向量。

图 6-3 词嵌入空间的简单示例

在真实的词嵌入空间中,常见的有意义的几何变换的例子包括“性别”向量和“复数”向量。例如,将 king(国王)向量加上 female(女性)向量,得到的是 queen(女王)向量。将 king(国王)向量加上 plural(复数)向量,得到的是 kings向量。词嵌入空间通常具有几千个这种可解释的、并且可能很有用的向量。

有没有一个理想的词嵌入空间,可以完美地映射人类语言,并可用于所有自然语言处理任务?可能有,但我们尚未发现。此外,也不存在人类语言(human language)这种东西。世界上有许多种不同的语言,而且它们不是同构的,因为语言是特定文化和特定环境的反射。但从更实际的角度来说,一个好的词嵌入空间在很大程度上取决于你的任务。英语电影评论情感分析模型的完美词嵌入空间,可能不同于英语法律文档分类模型的完美词嵌入空间,因为某些语义关系的重要性因任务而异。

因此,合理的做法是对每个新任务都学习一个新的嵌入空间。幸运的是,反向传播让这种学习变得很简单,而  Keras使其变得更简单。我们要做的就是学习一个层的权重,这个层就是Embedding层。

代码清单 6-5 将一个Embedding层实例化

最好将Embedding层理解为一个字典,将整数索引(表示特定单词)映射为密集向量。它接收整数作为输入,并在内部字典中查找这些整数,然后返回相关联的向量。Embedding层实际上是一种字典查找(见图 6-4)。

图 6-4 Embedding层

Embedding层的输入是一个二维整数张量,其形状为  (samples, sequence_length),每个元素是一个整数序列。它能够嵌入长度可变的序列,例如,对于前一个例子中的Embedding层,你可以输入形状为 (32,  10)(32个长度为  10的序列组成的批量)或  (64,15)(64个长度为  15的序列组成的批量)的批量。不过一批数据中的所有序列必须具有相同的长度(因为需要将它们打包成一个张量),所以较短的序列应该用 0填充,较长的序列应该被截断。

这个Embedding层返回一个形状为(samples,       sequence_length, embedding_dimensionality)的三维浮点数张量。然后可以用  RNN层或一维卷积层来处理这个三维张量(二者都会在后面介绍)。

将一个Embedding层实例化时,它的权重(即标记向量的内部字典)最开始是随机的,与其他层一样。在训练过程中,利用反向传播来逐渐调节这些词向量,改变空间结构以便下游模型可以利用。一旦训练完成,嵌入空间将会展示大量结构,这种结构专门针对训练模型所要解决的问题。

我们将这个想法应用于你熟悉的  IMDB电影评论情感预测任务。首先,我们需要快速准备数据。将电影评论限制为前 10  000个最常见的单词(第一次处理这个数据集时就是这么做的),然后将评论长度限制为只有  20个单词。对于这   10  000个单词,网络将对每个词都学习一个8维嵌入,将输入的整数序列(二维整数张量)转换为嵌入序列(三维浮点数张量),然后将这个张量展平为二维,最后在上面训练一个Dense层用于分类。

代码清单 6-6 加载 IMDB数据,准备用于Embedding层

代码清单 6-7 在 IMDB数据上使用Embedding层和分类器

得到的验证精度约为 76%,考虑到仅查看每条评论的前 20个单词,这个结果还是相当不错的。但请注意,仅仅将嵌入序列展开并在上面训练一个 Dense层,会导致模型对输入序列中的每个单词单独处理,而没有考虑单词之间的关系和句子结构(举个例子,这个模型可能会将  this movie is a bomb和  this movie is the bomb两条都归为负面评论)。更好的做法是在嵌入序列上添加循环层或一维卷积层,将每个序列作为整体来学习特征。这也是接下来几节的重点。

2.使用预训练的词嵌入

有时可用的训练数据很少,以至于只用手头数据无法学习适合特定任务的词嵌入。那么应该怎么办?

你可以从预计算的嵌入空间中加载嵌入向量(你知道这个嵌入空间是高度结构化的,并且具有有用的属性,即抓住了语言结构的一般特点),而不是在解决问题的同时学习词嵌入。在自然语言处理中使用预训练的词嵌入,其背后的原理与在图像分类中使用预训练的卷积神经网络是一样的:没有足够的数据来自己学习真正强大的特征,但你需要的特征应该是非常通用的,比如常见的视觉特征或语义特征。在这种情况下,重复使用在其他问题上学到的特征,这种做法是有道理的。

这种词嵌入通常是利用词频统计计算得出的(观察哪些词共同出现在句子或文档中),用到的技术很多,有些涉及神经网络,有些则不涉及。Bengio等人在  21世纪初首先研究了一种思路,就是用无监督的方法计算一个密集的低维词嵌入空间,但直到最有名且最成功的词嵌入方案之一 word2vec算法发布之后,这一思路才开始在研究领域和工业应用中取得成功。word2vec算法由 Google的  Tomas Mikolov于  2013年开发,其维度抓住了特定的语义属性,比如性别。

有许多预计算的词嵌入数据库,你都可以下载并在             Keras的Embedding 层中使用。word2vec就是其中之一。另一个常用的是  GloVe(global vectors  for word representation ,词表示全局向量),由斯坦福大学的研究人员于 2014年开发。这种嵌入方法基于对词共现统计矩阵进行因式分解。其开发者已经公开了数百万个英文标记的预计算嵌入,它们都是从维基百科数据和 Common Crawl数据得到的。

我们来看一下如何在 Keras模型中使用  GloVe嵌入。同样的方法也适用于   word2vec嵌入或其他词嵌入数据库。这个例子还可以改进前面刚刚介绍过的文本分词技术,即从原始文本开始,一步步进行处理。

6.1.3 整合在一起:从原始文本到词嵌入

本节的模型与之前刚刚见过的那个类似:将句子嵌入到向量序列中,然后将其展平,最后在上面训练一个 Dense层。但此处将使用预训练的词嵌入。此外,我们将从头开始,先下载IMDB原始文本数据,而不是使用  Keras内置的已经预先分词的  IMDB数据。

1.下载  IMDB数据的原始文本

首先,打开 http://mng.bz/0tIo,下载原始 IMDB数据集并解压。

接下来,我们将训练评论转换成字符串列表,每个字符串对应一条评论。你也可以将评论标签(正面 /负面)转换成labels列表。

代码清单 6-8 处理 IMDB原始数据的标签

import os

imdb_dir = '/Users/fchollet/Downloads/aclImdb'
train_dir = os.path.join(imdb_dir, 'train')

labels = []
texts = []

for label_type in ['neg', 'pos']:
    dir_name = os.path.join(train_dir, label_type)
    for fname in os.listdir(dir_name):

if fname[-4:] == '.txt':
    f = open(os.path.join(dir_name, fname))
    texts.append(f.read())
    f.close()
    if label_type == 'neg':
        labels.append(0)
    else:
        labels.append(1)

2.对数据进行分词

利用本节前面介绍过的概念,我们对文本进行分词,并将其划分为训练集和验证集。因为预训练的词嵌入对训练数据很少的问题特别有用(否则,针对于具体任务的嵌入可能效果更好),所以我们又添加了以下限制:将训练数据限定为前  200个样本。因此,你需要在读取   200个样本之后学习对电影评论进行分类。

代码清单 6-9 对 IMDB原始数据的文本进行分词

3.下载  GloVe词嵌入

打开 https://nlp.stanford.edu/projects/glove,下载 2014年英文维基百科的预计算嵌入。这是一个 822 MB的压缩文件,文件名是  glove.6B.zip,里面包含 400  000个单词(或非单词的标记)的 100维嵌入向量。解压文件。

4.对嵌入进行预处理

我们对解压后的文件(一个  .txt文件)进行解析,构建一个将单词(字符串)映射为其向量表示(数值向量)的索引。

代码清单 6-10 解析 GloVe词嵌入文件

glove_dir = '/Users/fchollet/Downloads/glove.6B'

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))

接下来,需要构建一个可以加载到Embedding层中的嵌入矩阵。它必须是一个形状为(max_words, embedding_dim)的矩阵,对于单词索引(在分词时构建)中索引为   i的单词,这个矩阵的元素 i就是这个单词对应的embedding_dim维向量。注意,索引    0不应该代表任何单词或标记,它只是一个占位符。

代码清单 6-11 准备 GloVe词嵌入矩阵

5.定义模型

我们将使用与前面相同的模型架构。

代码清单 6-12 模型定义

from keras.models import Sequential
from keras.layers import Embedding, Flatten, Dense

model = Sequential()
model.add(Embedding(max_words, embedding_dim, input_length=maxlen))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

6.在模型中加载  GloVe嵌入

Embedding层只有一个权重矩阵,是一个二维的浮点数矩阵,其中每个元素    i是与索引  i相关联的词向量。够简单。将准备好的 GloVe矩阵加载到Embedding层中,即模型的第一层。

代码清单 6-13 将预训练的词嵌入加载到Embedding层中

model.layers[0].set_weights([embedding_matrix])
model.layers[0].trainable = False

此外,需要冻结Embedding层(即将其trainable属性设为False),其原理和预训练的卷积神经网络特征相同,你已经很熟悉了。如果一个模型的一部分是经过预训练的(如Embedding层),而另一部分是随机初始化的(如分类器),那么在训练期间不应该更新预训练的部分,以避免丢失它们所保存的信息。随机初始化的层会引起较大的梯度更新,会破坏已经学到的特征。

7.训练模型与评估模型

编译并训练模型。

代码清单 6-14 训练与评估

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['acc'])
history = model.fit(x_train, y_train,
                    epochs=10,
                    batch_size=32,
                    validation_data=(x_val, y_val))
model.save_weights('pre_trained_glove_model.h5')

接下来,绘制模型性能随时间的变化(见图 6-5和图 6-6)。

代码清单 6-15 绘制结果

import matplotlib.pyplot as plt

acc = history.history['acc']
val_acc = history.history['val_acc']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(1, len(acc) + 1)

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.legend()

plt.figure()

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.legend()

plt.show()

图 6-5 使用预训练词嵌入时的训练损失和验证损失

图 6-6 使用预训练词嵌入时的训练精度和验证精度

模型很快就开始过拟合,考虑到训练样本很少,这一点也不奇怪。出于同样的原因,验证精度的波动很大,但似乎达到了接近 60%。

注意,你的结果可能会有所不同。训练样本数太少,所以模型性能严重依赖于你选择的200个样本,而样本是随机选择的。如果你得到的结果很差,可以尝试重新选择    200个不同的随机样本,你可以将其作为练习(在现实生活中无法选择自己的训练数据)。

你也可以在不加载预训练词嵌入、也不冻结嵌入层的情况下训练相同的模型。在这种情况下,你将会学到针对任务的输入标记的嵌入。如果有大量的可用数据,这种方法通常比预训练词嵌入更加强大,但本例只有 200个训练样本。我们来试一下这种方法(见图 6-7和图  6-8)。

代码清单 6-16 在不使用预训练词嵌入的情况下,训练相同的模型

from keras.models import Sequential
from keras.layers import Embedding, Flatten, Dense

model = Sequential()
model.add(Embedding(max_words, embedding_dim, input_length=maxlen))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['acc'])
history = model.fit(x_train, y_train,
                    epochs=10,
                    batch_size=32,
                    validation_data=(x_val, y_val))

图 6-7 不使用预训练词嵌入时的训练损失和验证损失

图 6-8 不使用预训练词嵌入时的训练精度和验证精度

验证精度停留在 50%多一点。因此,在本例中,预训练词嵌入的性能要优于与任务一起学习的嵌入。如果增加样本数量,情况将很快发生变化,你可以把它作为一个练习。

最后,我们在测试数据上评估模型。首先,你需要对测试数据进行分词。

代码清单 6-17 对测试集数据进行分词

test_dir = os.path.join(imdb_dir, 'test')

labels = []
texts = []

for label_type in ['neg', 'pos']:
    dir_name = os.path.join(test_dir, label_type)
    for fname in sorted(os.listdir(dir_name)):
        if fname[-4:] == '.txt':
            f = open(os.path.join(dir_name, fname))
            texts.append(f.read())
            f.close()
            if label_type == 'neg':
                labels.append(0)
            else:
                labels.append(1)

sequences = tokenizer.texts_to_sequences(texts)
x_test = pad_sequences(sequences, maxlen=maxlen)
y_test = np.asarray(labels)

接下来,加载并评估第一个模型。

代码清单 6-18 在测试集上评估模型

model.load_weights('pre_trained_glove_model.h5')
model.evaluate(x_test, y_test)

测试精度达到了令人震惊的 56%!只用了很少的训练样本,得到这样的结果很不容易。

6.1.4 小结

现在你已经学会了下列内容。

  • 将原始文本转换为神经网络能够处理的格式。
  • 使用  Keras模型的Embedding层来学习针对特定任务的标记嵌入。
  • 使用预训练词嵌入在小型自然语言处理问题上获得额外的性能提升。

作者:

喜欢围棋和编程。

 
发布于 分类 编程标签

发表评论

电子邮件地址不会被公开。