基于LSTM的文本分类.zip

本项目配套讲解博客：[文本分类（LSTM+PyTorch）](https://blog.csdn.net/Bat_Reality/article/details/128509050?spm=1001.2014.3001.5502) ### 一、传统方法的基本步骤 1. 预处理：首先进行分词，然后是除去停用词； 2. 将文本表示成向量，常用的就是文本表示向量空间模型； 3. 进行特征选择，这里的特征就是词语，去掉一些对于分类帮助不大的特征。常用的特征选择的方法是词频过滤，互信息，信息增益，卡方检验等； 4. 接下来就是构造分类器，在文本分类中常用的分类器一般是SVM，朴素贝叶斯等； 5. 训练分类器，后面只要来一个文本，进行文本表示和特征选择后，就可以得到文本的类别。 ### 二、深度学习与传统方法的区别 传统做法主要问题的文本表示是高纬度高稀疏的，特征表达能力很弱；此外需要人工进行特征工程，成本很高。 利用深度学习做文本分类，首先还是要进行分词，这是做中文语料必不可少的一步，这里的分词使用的jieba分词。 词语的表示不用one-hot编码，而是使用词向量(word embedding)，现在最常用的词向量的分布式表示就是word2vec，这样的分布式表示，既降低了维度，也体现了语义信息。使用深度学习进行文本分类，不需要进行特征选择这一步，因为深度学习具有自动学习特征的能力。 ### 三、LSTM文本分类 先将句子进行分词，然后将每个词语表示为词向量，再将词向量按顺序送进LSTM，最后LSTM的输出就是这段话的表示，而且能够包含句子的时序信息。  ##### 1. 处理数据集 ```python # utils.py def read_file(path): """ 读取文本文件进行预处理 :param path: 文件路径 :return: 分词后的数组 """ if 'training_label' in path: with open(path, 'r', encoding='utf-8') as file: lines = file.readlines() lines = [line.strip('\n').split(' ') for line in lines] x = [line[2:] for line in lines] y = [line[0] for line in lines] return x, y elif 'training_nolabel' in path: with open(path, 'r', encoding='utf-8') as file: lines = file.readlines() x = [line.strip('\n').split(' ') for line in lines] return x else: with open(path, 'r', encoding='utf-8') as file: lines = file.readlines() x = ["".join(line[1:].strip('\n').split(",")) for line in lines[1:]] x = [item.split(' ') for item in x] return x ``` ### 2. word2vec词向量模型 依据原始数据提取了data与labels之后，还需要依据文本生成词向量，即建立单词与向量的一一对应关系，同时建立词汇之间的语义联系。 ```python # word2vec.py from gensim.models import word2vec import os from utils import read_file def train_word2vec(x): """ LineSentence(inp)：格式简单：一句话=一行; 单词已经过预处理并被空格分隔。 size：是每个词的向量维度； window：是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词； min-count：设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃； sg ({0, 1}, optional) – 模型的训练算法: 1: skip-gram; 0: CBOW iter (int, optional) – 迭代次数，默认为5 :param x: 处理好的数据集 :return: 训练好的模型 """ return word2vec.Word2Vec(x, size=300, window=5, min_count=5, sg=1, iter=10) if __name__ == '__main__': data_dir = './data' print("loading training data ...") train_x, y = read_file(os.path.join(data_dir, 'training_label.txt')) train_no_label = read_file(os.path.join(data_dir, 'training_nolabel.txt')) print("loading test data...") test_data = read_file(os.path.join(data_dir, 'testing_data.txt')) print("training text data and transforming to vectors by skip-gram...") model = train_word2vec(train_x + train_no_label + test_data) print("saving model...") model.save(os.path.join(data_dir, 'word2vec.model')) ``` ### 3. 数据预处理 数据预处理就是按照词向量对样本中的数据生成句子的矩阵，因此这里需要统一句子的长度，生成数据集并实现数据集的封装。实现代码由两部分构成，首先生成对应矩阵，然后封装dataset便于使用dataloader加载数据。 ```python # pre_processing.py import torch from gensim.models import Word2Vec class DataProcess: def __init__(self, sentences, sen_len, w2v_path="./data/word2vec.model"): self.sentences = sentences # 句子列表 self.sen_len = sen_len # 句子的最大长度 self.w2v_path = w2v_path # word2vec模型路径 self.index2word = [] # 实现index到word转换 self.word2index = {} # 实现word到index转换 self.embedding_matrix = [] # load word2vec.model self.embedding = Word2Vec.load(self.w2v_path) self.embedding_dim = self.embedding.vector_size def make_embedding(self): # 为model里面的单词构造word2index, index2word 和 embedding for i, word in enumerate(self.embedding.wv.vocab): print('get word #{}'.format(i+1), end='\r') self.word2index[word] = len(self.word2index) self.index2word.append(word) self.embedding_matrix.append(self.embedding[word]) self.embedding_matrix = torch.tensor(self.embedding_matrix) # 將"<PAD>"和"<UNK>"加进embedding里面 self.add_embedding("<PAD>") self.add_embedding("<UNK>") print("total words: {}".format(len(self.embedding_matrix))) return self.embedding_matrix def add_embedding(self, word): # 将新词添加进embedding中 vector = torch.empty(1, self.embedding_dim) torch.nn.init.uniform_(vector) self.word2index[word] = len(self.word2index) self.index2word.append(word) self.embedding_matrix = torch.cat([self.embedding_matrix, vector], 0) def sentence_word2idx(self): sentence_list = [] for i, sentence in enumerate(self.sentences): # 将句子中的单词表示成index sentence_index = [] for word in sentence: if word in self.word2index.keys(): # 如果单词在字典中则直接读取index sentence_index.append(self.word2index[word]) else: # 否则赋予<UNK> sentence_index.append(self.word2index["<UNK>"]) # 统一句子长度 sentence_index = self.pad_sequence(sentence_index) sentence_list.append(sentence_index) return torch.LongTensor(sentence_list) def pad_sequence(self, sentence): # 统一句子长度 if len(sentence) > self.sen_len: sentence = sentence[:self.sen_len] else: pad_len = self.sen_len - len(sentence) for _ in range(pad_len): sentence.append(self.word2index["<PAD>"]) assert len(sentence) == self.sen_len return sentence def labels2tensor(self, y): y = [int(label) for label in y] return torch.LongTensor(y) ``` ### 4. 封装数据集 ```python # data_loader.py from torch.utils import data class TwitterDataset(data.Dataset): def __init__(self, x, y): self.data = x self.label = y def __getitem__(self, index): if self.label is None: return self.data[index] return self.data[index], self.label[index] def __len__(self): return len(self.data) ``` ### 5. 构造模型 模型包括三个部分：embedding层、LSTM