基于python的文本分类-深度学习课程大作业+源代码+文档说明

# text_classification ## 文本分类-深度学习课程大作业 ### 程序运行说明 ##### 硬件 - GPU: Tesla V100, 32GB显存 - 内存：32GB - 系统：Linux（训练），Windows（展示） ##### 软件 - CUDA版本： 9.2 - Pytorch：1.5 - 其他库：gensim，sklearn，tqdm，flask，numpy等 ##### 运行方法 如果直接使用，步骤为： 1. 进入"Flask"文件夹，在cmd中执行以下命令：`python NLP_flask.py`，便可启动 flask 后台，然后在浏览器地址栏输入127.0.0.1:5000，即可看到分类系统界面。 如果需要训练，步骤为： 1. 如果想要训练非bert的模型，需要先训练词向量：进入"src"目录下，在terminal中执行以下命令：`python train_w2v.py`，修改该文件的代码可以设置word2vec的窗口大小、词向量维度等。 2. （./src目录）在terminal中输入`python run.py --model model_name --word True/False`，即可启动相应模型的训练。model_name是选择的模型，word为True（默认）则进行词级别的训练，否则进行字级别的训练。word参数只针对非bert模型，因为bert是分字的。可选的模型会在后面介绍。 **注意：**训练之前请先下载数据集和bert的相关文件，在相应的文件夹内有README说明文档，内附有百度云盘下载链接。 ##### 代码文件说明 下面解释./src目录下的代码： - run.py 训练主程序 - train_eval.py 具体的训练逻辑 - utils.py 工具类函数 - train_w2v.py 训练词向量 - global_config.py 全局参数设置，如batch_size等 - ./model 下是不同模型的实现 - ./temp 下存放了预训练的词向量 ##### 运行截图   ### 背景及任务定义 随着上世纪 90 年代互联网飞速发展，到现在我们已经进入了大数据时代。在当今的互联网中，容纳了大量的数据信息，其中包含了文本，声音，图片等。文本数据相较于图片和声音，占用网络资源少，使得在网络资源中，文本占据了相当大的一部分。为了能够将这些信息有效的组织和管理，使用户能够快速、准确、全面地获取需要的信息，就成了当今信息科学面临地一个大挑战。文本分类从知识工程到九十年代基于机器学习地分类系统，再到近 十年快速发展地基于深度学习地分类系统，现在地文本分类系统已经形成了一个较为完善的体系。 对于文本分类任务，可将其定义为一组输入到输出的映射。输入一般是包含一些原始文本的数据集，数据集由每个文档中的文本序列组成，如 $D = {X_1 ,X_2 ,…,X_n }$ ，其中 $X_i $为一个文本（每个文本包含 w 个单词），每个文本都用一个离散的数值来标注，代表该文本所在的类别。 我们做的是新闻分类任务，因此输入是一组新闻文本，输出则应该是该新闻对应的类别，如“军事”、“政治”等。我们的目的，就是训练一个模型，使其能完成自动分类的任务。 ### 提出方法 我们把整个训练过程分为数据预处理和训练两个阶段。下面将一一介绍。 #### 数据预处理 本系统采用了清华NLP组提供的THUCNews新闻文本分类数据集的子集。THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。并在的原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。 由于本地电脑计算资源有限我们在上述14个类中，每一类随机抽取了2万条数据，有三个类别数据量不足两万，我们全部使用。每个类别的使用数据量如图1，其中一条新闻样例如图2所示。 图1 每个类别新闻数：  图2 新闻样例（时政类）：  1. 分词 由于汉语不像英语一样有空格作为分隔符，所以我们在训练之前需要把句子分成一个个的单词。目前常用的是算法是HMM、CRF、SVM、深度学习等算法，比如Stanford、Hanlp分词工具是基于CRF算法。以CRF为例，基本思路是对汉字进行标注训练，不仅考虑了词语出现的频率，还考虑上下文，具备较好的学习能力，因此其对歧义词和未登录词的识别都具有良好的效果。 本系统中采用jieba分词对数据预处理。首先使用jieba分词将所有的文章中的单词分开，单词与单词之间用空格分隔，并在最后一个单词后面加上退格符：\t，上述内容构成数据集中的一行数据。我们的对所有的文章进行遍历，按照上述内容构建我们的数据集，并划分出测试集和验证集，它们的比例为：0.9: 0.1: 0.1。 2. 词嵌入 本文使用的是近几年在深度领域非常火的技术：Word2Vec。Word2Vec方法使用具有两个隐藏层的浅神经网络：连续词袋（CBOW）和跳跃图（Skip-gram）模型，将文本中的每个单词表示为一个相对较小的稠密向量。输出向量的大小通常用 k 表示，Word2vec 将语义相似的词聚集在这个 k 维空间中比较接近的区域。在CBOW 中，根据一个词的上下文来预测该词；Skip-gram 则只看一个词来预测它的上下文。Word2Vec 最大的特点之一是它可以实现字向量之间的算术运算，即向量反映了词的相似性。 本系统采用gensim来实现Word2Vec，并将训练好的词向量放进分类深度学习模型中进行fine-tune，以根据具体任务进一步调整。 对于bert模型，不需要预训练的词向量。 3. 填充/截断 我们需要将每一个文本数据转换成一个等长的数据，以便神经网络处理。但新闻文本一般长度不一，所以我们需要对长的文本进行截断，对长度不够的文本进行填充。我们设定的长度值为500，即每篇文章都被处理成500个词的表示。 对于bert模型，由于参数量过大，我们将长度值设为256。 #### 训练 在该系统中，我们使用了9个模型进行实验，它们分别是：bert、bert-LSTM、LSTM、LSTM-Attention、LSTM-GRU、FastText、TextCNN、TextRCNN、DPCNN，由于篇幅限制，下面仅对其进行简单的介绍。值得注意的是，我们在某些模型中加入了自己的想法，虽然只是少量的改动，但我们认为也是一种微创新。在FastText模型中，由于中文没有像英文这种字符级的n-gram，而1-gram就相当于中文字级别的建模了，所以我们同时使用了1-gram，2-gram和3-gram，将其拼在一起进行分类，效果比只用1-gram要提升不少。另外，我们也自己实现了一个模型：LSTM-GRU，它是将两种变种RNN堆叠起来实现的一个模型，实际效果显示也取得不错的精度。 ##### bert & bert-LSTM 谷歌团队在2018年提出了预训练模型Bert用于词向量表示，在当时NLP的11项任务中基本取得了最好的效果。Bert模型的全名是Bidirectional Encoder Representations from Transformer，是由2017年的Transformer模型的Encoder部分在大规模语料库训练而来的。Transformer舍弃了传统的CNN和RNN操作，整个模型都是由attention机制组成的，这样的好处是更好地实现了并行化，在长文本序列下依然可以有效地获取文本的依赖关系，而且模型是双向地学习上下文的关系，使得词向量表示的语义信息更加丰�