京东NLP高阶实战训练营二期-基于Python实现的电商数据自动抽取营销文案源码+项目说明文档

## 智能营销项目 ### 目录 ### 1.项目介绍 ### 2.数据说明 ### 3.开发环境 ### 4.文件结构 ### 5.模型说明 *** ### 1.项目介绍 本项目为京东NLP高阶实战训练营二期的第二个项目。 ``` （1）项目内容：利用京东商城商品的说明信息（标题、属性标签和OCR）生成相应的营销文案。 （2）使用模型：seq2seq、attention、pointer networks （3）项目目的：掌握seq2seq+attention的基本制作方法与套路，掌握pointer networks的搭建方 法，掌握评估指标如Rouge、BLEU的计算逻辑，掌握Beam Search的搜索逻辑 ``` ### 2.数据说明 ``` （1）数据为Json格式，内容是每件商品的编号、标题（title）、属性标签（kb）、ocr信息及参考文案（reference）； （2）模型的输入为标题（title）、属性标签（kb）、ocr信息； （3）参考文案（reference）作为ground truth； ``` ``` { "20": { "title": "奢侈品 皮带 男 鳄鱼皮 评价 黑色 鳄鱼皮", "kb": { "材质": "鳄鱼皮", "包装": "礼盒", "带扣": "平滑扣/板扣", "风格": "商务休闲", "适用人群": "中年", }, "ocr": "商城搜索，整皮裁剪，匠心手工制作，细腻的钢扣头，电镀钢扣头，定制优质五金，优质牛皮背面，辅料标准，内部定型层，质感油亮，骨刺饱满，产品展示，钢扣头，产品细，黑色，臊鱼皮选，高档耐磨，头层牛皮，扣头材质，中间夹层的优质材料...", "reference": "男鳄鱼皮真皮腰带优先选用骨刺丰满立体的鳄鱼皮制作，内部使用优质皮糠纸作为中间夹层，是各种高奢皮带的中间夹层的优质材料。背面侧面采用牛皮包边，皮质柔软，质感舒适，更有档次。" }, "21": { "title": "凯乐石 男女 款 攀岩 弹力 快干 长裤 秋冬 版 男 藏蓝 修身 版型", "kb": { "尺码": "XXL", "功能": "耐磨", "适用人群": "男士", "裤长": "长裤" }, "ocr": "颜色展示，产品展示，男女款攀岩弹力快干长裤9a，商品档案，臀部、膝盖立体有型，外挂挂环，男款裤脚口左右暗扣调节设计，可折叠固定裤脚，透气斜式插手袋，立体剪裁技术，修身合体版型，女款同样裤脚口左右暗扣调节设计...", "reference": "选取抗撕式混合型织物用作裤身的打造主材，直面户外尖锐小物的刮蹭，耐磨不易划破，裤头的后幅位置采用松紧设计，动态服帖着腰身，并添加了织物挂环，可用于悬挂攀岩装备，便于户外运动穿着。" }, } ``` ### 3.开发环境 Python环境：本地anaconda-python3.6.10， （注：因为需要使用pycharm开发，且本地GPU资源够使用，未在京东云平台部署） 主要依赖包： ``` torch==1.5.1 gensim==3.8.3 jieba==0.42.1 numpy==1.19.0 pandas==1.0.5 ``` ### 4.文件结构 ``` │ README.md │ ├─configs # 配置文件位置 │ │ settings.py # 配置信息 │ │ __init__.py │ ├─processed_data # 处理后的数据集 │ ├─saved_models # 模型存档 │ │ │ │ │ └─torch # 神经网络模型存档 │ │ │ └─checkpoints │ │ │ └─attn # 带有attention机制的网络 │ │ │ └─cov # 添加coverage机制的网络 │ │ │ └─ptn # ptn网络 │ ├─site_packages # 工具库 │ │ __init__.py │ │ │ ├─ml_libs # 机器学习工具库 │ │ │ __init__.py │ │ │ │ │ ├─nlp # 自然语言处理工具库 │ │ │ │ baidu.py # 百度翻译模块 │ │ │ │ base.py # 基础组件（如字典） │ │ │ │ sampling.py # EDA数据增强和tfidf-embedding词替换 │ │ │ │ metrics.py # 模型评估指标（本次为Rouge） │ │ │ │ settings.py # nlp工具库配置文件 │ │ │ │ stopwords.py # 停用词处理 │ │ │ │ __init__.py │ │ │ │ │ │ │ ├─data # 停用词数据集 │ │ │ │ └─stopwords-master │ │ │ │ baidu_stopwords.txt │ │ │ │ cn_stopwords.txt │ │ │ │ hit_stopwords.txt │ │ │ │ punctuation.txt │ │ │ │ README.md │ │ │ │ scu_stopwords.txt │ │ │ │ symbols.txt │ │ │ ├─utils # 通用工具库 │ │ │ dataframe.py # DataFrame操作 │ │ │ decorators.py # 装饰器 │ │ │ job.py # 数据、模型读取与存储 │ │ │ math.py # 数学工具 │ │ │ unzip.py # 解压工具 │ │ │ __init__.py │ ├─src # 模型相关文件 │ │ augmentation.py # 数据增强 │ │ datasets.py # 数据集读取 │ │ evalution.py # 模型评估 │ │ features.py # 特征抽取 │ │ models.py # 模型定义 │ │ preprocess.py # 数据清洗 │ │ train.py # 训练过程 │ │ __init__.py ``` ### 5.模型说明 最大特点：自己实现，纯手敲。自已结合课程、网上教程和原理解读的文章等，逐步探索、纠错，逐步实现encoder、decoder、seq2seq、 attention、BeamSearch、Rouge评估等内容，最后组装成为目前的基线模型。 第一次作业：搭建seq2seq + attention的基线模型 > + GRU内核：本次采用GRU作为encoder和decoder的内核，然后将两者联合起来整合成为seq2seq模型； > + seq2seq模型：在训练过程中直接调用seq2seq2模型，而不是分别训练encoder和decoder，简化了训练过程代码； > + attention采用Luong论文中的定义，分别实现了其中的dot、general和concat的实现方法； > + 特征提取部分，因为encoder中使用pack_padded_sequence需要输入是排过序的。为了提升GPU利用效率，提前将数据集按批次排序好，而不是在模型训练过程中排序； > + 词嵌入：采用gensim提前训练好词嵌入保存使用，而不是用nn.Embedding层。这样可以提升GPU利用效率，并且因为embedding固定，模型训练结果更加稳定； 下图为30个epoch，loss的下降情况  第二次作业：搭建pointer network + coverage基线模型 在第一次作业的基础上，对整体代码进行改动。可以在settings.py设置MODEL_CONF字典中的pointer为True，以执行ptn网络，也可以设置is_coverage为True，添加coverage； 第一次作业采用的batch_size=64，本次ptn网络采用的batch_size=32，可以从图中观察到batch_size=32的损失曲线，抖动更大一些。 loss: 2.0754  第三次作业：对模型进行优化 （1）添加weight_tying：共享encoder embedding层权重矩阵、decoder embedding层权重�