基于CNN、BI-LSTM的文本分类.zip

# 中文情感分析 中文情感分析的实质是文本分类问题，本项目分别采用**CNN**和**BI-LSTM**两种模型解决文本分类任务，并用于情感分析，达到不错的效果。 两种模型在小数据集上训练，在验证集的准确率、号回率及F1因子均接近**90%** 项目设计的目标可以接受不同语料的多种分类任务，只要语料按照特定格式准备好，就可以开始调参训练、导出、serving。 ### code environment 在 python3.6 & Tensorflow1.13 下工作正常 其他环境也许也可以，但是没有测试过。 还需要安装 `scikit-learn` package 来计算指标，包括准确率回召率和F1因子等等。 ### 语料的准备 语料的选择为 *谭松波老师的评论语料*，正负例各2000。属于较小的数据集，本项目包含了原始语料，位于`data/hotel_comment/raw_data/corpus.zip`中 解压 `corpus.zip` 后运行，并在`raw_data`运行 ```sh python fix_corpus.py ``` 将原本`gb2312`编码文件转换成`utf-8`编码的文件。 ### 词向量的准备 本实验使用开源词向量[*chinese-word-vectors*](https://github.com/Embedding/Chinese-Word-Vectors) 选择知乎语料训练而成的Word Vector, 本项目选择词向量的下载地址为 https://pan.baidu.com/s/1OQ6fQLCgqT43WTwh5fh_lg ,需要百度云下载，解压，直接放在工程目录下 ### 训练数据的格式 参考 `data/hotel_comment/*.txt` 文件 - step1 本项目把数据分成训练集和测试集，比例为`4:1`, 集4000个样本被分开，3200个样本的训练集，800的验证集。 对于训练集和验证集，制作训练数据时遵循如下格式： 在`{}.words.txt`文件中，每一行为一个样本的输入，其中每段评论一行，并用`jieba`分词，词与词之间用空格分开。 ```text 除了 地段 可以 ， 其他 是 一塌糊涂 ， 惨不忍睹 。 和 招待所 差不多 。 帮 同事 订 的 酒店 , 他 老兄 刚 从 东莞 回来 , 详细 地问 了 一下 他 对 粤海 酒店 的 印象 , 说 是 硬件 和 软件 : 极好 ! 所以 表扬 一下 ``` 在`{}.labels.txt`文件中，每一行为一个样本的标记 ```text NEG POS ``` 本项目中，可在`data/hotel_comment`目录下运行`build_data.py`得到相应的格式 - step2 因为本项目用了`index_table_from_file`来获取字符对应的id，需要两个文件表示词汇集和标志集，对应于`vocab.labels.txt`和`vocab.words.txt`,其中每一行代表一个词或者是一行代表一个标志。 本项目中，可在`data/hotel_comment`目录下运行`build_vocab.py`得到相应的文件 - step3 由于下载的词向量非常巨大，需要提取训练语料中出现的字符对应的向量，对应本项目中的`data/hotel_comment/w2v.npz`文件 本项目中，可在`data/hotel_comment`目录下运行`build_embeddings.py`得到相应的文件 ## 模型一：CNN #### 结构： 1. 中文词Embedding 2. 多个不同长度的定宽卷积核 3. 最大池化层，每个滤波器输出仅取一个最大值 4. 全连接  图来源于论文 https://arxiv.org/abs/1408.5882 ，但与论文不同的是，论文中采取了一个pre-train 的embeddings和一个没有训练的embeddings组成了类似图像概念的双通道。本项目中只采用了一个预训练embeddings的单通道。 CNN模型的训练，在`cnn`目录底下运行 ``` python main.py ``` #### CNN模型训练时间 在**GTX 1060 6G**的加持下大概耗时2分钟 #### CNN模型的训练结果 在`model`目录底下运行 ``` python score_report.py cnn/results/score/eval.preds.txt ``` 输出： ``` precision recall f1-score support POS 0.91 0.87 0.89 400 NEG 0.88 0.91 0.89 400 micro avg 0.89 0.89 0.89 800 macro avg 0.89 0.89 0.89 800 weighted avg 0.89 0.89 0.89 800 ``` ## 模型二： BI-LSTM 1. 中文词Embedding 2. bi-lstm 3. 全连接  BI-LSTM模型的训练，在`lstm`目录底下运行 ``` python main.py ``` #### BI-LSTM模型训练时间 在**GTX 1060 6G**的加持下大概耗时5分钟 #### BI-LSTM模型的训练结果 在`model`目录底下运行 ``` python score_report.py lstm/results/score/eval.preds.txt ``` 输出： ``` precision recall f1-score support POS 0.90 0.87 0.88 400 NEG 0.87 0.91 0.89 400 micro avg 0.89 0.89 0.89 800 macro avg 0.89 0.89 0.89 800 weighted avg 0.89 0.89 0.89 800 ``` ### 模型的导出和serving（BI-LSTM为例） #### 模型导出 在`lstm`目录底下运行 ``` python export.py ``` 导出`estimator`推断图，可以用作prediction。本项目已上传了`saved_model`，可以不通过训练直接测试。 在`model/lstm`目录底下运行 `python serve.py`可以利用导出的模型进行实体识别。详情见代码。 测试结果  虽然模型由真实评论数据训练而成，这些数据长短不一（有的分词后长度超过1000），但由上图可得，模型对短评论表现尚可。 ## 参考 [1] http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/ [2] https://arxiv.org/abs/1408.5882