本文将介绍一个基于自然语言处理技术对微博评论文本(simplifyweibo_4_moods.csv)进行情感分析的项目。
一、项目概述
本文将介绍一个基于自然语言处理技术对微博评论文本(simplifyweibo_4_moods.csv)进行情感分析的项目。
本项目旨在构建一个能够对微博评论进行情感分类的模型,将评论分为 “喜悦”、“愤怒”、“厌恶” 和 “低落” 四种情感类别。项目涵盖了从数据预处理、模型构建到训练和评估的完整流程。
项目任务:对微博评论信息的情感分析,建立模型,自动识别评论信息的情绪状态。
二、需要解决的问题
1、目标:将评论内容转换为词向量。
2、每个词/字转换为词向量长度(维度)200
3、每一次传入的词/字的个数是否就是评论的长度?
应该是固定长度,每次传入数据与图像相似。
例如选择长度为32。则传入的数据为32*200
4、一条评论如果超过32个词/字怎么处理?
直接删除后面的内容
5、一条评论如果没有32个词/字怎么处理?
缺少的内容,统一使用一个数字(非词/字的数字)替代。
6、如果语料库中的词/字太多是否可以压缩?
可以,某些词/字出现的频率比较低,可能训练不出特征。因此可以选择频率比较高的词来训练。例如选择4760个。
7、被压缩的词/字如何处理?
可以统一使用一个数字(非词/字的数字)替代。
三、数据预处理
1、词汇表构建(vocab_creat.py)
(1)、首先,通过自定义的分字函数tokenizer将每条评论内容分隔成单个字符。然后,统计每个字符在所有评论中出现的次数,形成一个字典vocab_dic。
(2)、为了控制词汇表的大小,只保留出现频率高于设定阈值(本项目中min_freq = 1)的字符,并按照出现次数从高到低排序,选取前MAX_VOCAB_SIZE = 4760个字符。
(3)、最后,将特殊字符<UNK>(未知字)和<PAD>(填充)添加到词汇表中,并将词汇表保存为pkl文件(simplifyweibo_4_moods.pkl),以便后续使用。
from tqdm import tqdm
import pickle as pkl
MAX_VOCAB_SIZE = 4760
UNK, PAD = '<UNK>', '<PAD>'
def build_vocab(file_path, max_size, min_freq):
tokenizer = lambda x: [y for y in x] # 定义一个分字函数
vocab_dic = {}
with open(file_path, 'r', encoding='UTF-8') as f:
i = 0
for line in tqdm(f): # 进度条
if i == 0:
i += 1
continue
lin = line[2:].strip() # 获取评论内容,删除标签
if not lin: # 空行跳过
continue
for word in tokenizer(lin):
vocab_dic[word] = vocab_dic.get(word, 0) + 1 # 以字典保存每个字出现的次数
vocab_list = sorted([_ for _ in vocab_dic.items() if _[1] > min_freq], key=lambda x: x[1], reverse=True)[
:max_size]
vocab_dic = {word_count[0]: idx for idx, word_count in enumerate(vocab_list)}
vocab_dic.update({UNK: len(vocab_dic), PAD: len(vocab_dic) + 1}) # UNK:4760, PAD:4761
print(vocab_dic)
pkl.dump(vocab_dic, open('simplifyweibo_4_moods.pkl', 'wb')) # one-hot编码
print(f"Vocab size:{len(vocab_dic)}")
return vocab_dic
if __name__ == "__main__":
vocab = build_vocab('simplifyweibo_4_moods.csv', MAX_VOCAB_SIZE, 1)
print("vocab")
2、数据集加载(load_dataset.py)
(1)、从保存的词汇表文件中读取词汇信息。然后,对原始的微博评论文本数据进行处理。
(2)、对于每条评论,提取其情感标签(0,1,2,3),并将评论内容进行分字处理。根据设定的最大长度pad_size = 70,如果字符数少于 70,则用<PAD>填充;如果多于 70,则只取前 70 个字。
(3)、将每个字符转换为词汇表中的对应索引,最终将处理后的每条评论信息(包括字符索引列表、情感标签和实际长度)以元组形式存储在列表中。
(4)、接着,将整个数据集随机打乱,并按照 80%、10%、10% 的比例划分为训练集、验证集和测试集。
from tqdm import tqdm
import pickle as pkl
import random
import torch
UNK, PAD = '<UNK>', '<PAD>' # 未知字,padding符号
def load_dataset(path, pad_size=70): # path为文件地址,pad_size为单条评论字符的最大长度
contents = [] # 用来存储转换为数值标号的句子
vocab = pkl.load(open('simplifyweibo_4_moods.pkl', 'rb')) # 读取vocab词库文件,rb二进制只读
tokenizer = lambda x: [y for y in x] # 自定义函数用来将字符串分隔成单个字符并存入列表
with open(path, 'r', encoding='utf8') as f:
i = 0
for line in tqdm(f): # 遍历文件内容的每一行,同时展示进度条
if i == 0: # 此处循环目的为了跳过第一行的无用内容
i += 1
continue
if not line: # 筛选是不是空行,空行则跳过
continue
label = int(line[0]) # 返回当前行的标签
content = line[2:].strip('\n') # 取出标签和逗号后的所有内容,同时去除前后的换行符(评论内容)
words_line = []
token = tokenizer(content) # 将每一行的内容进行分字,返回一个列表
seq_len = len(token) # 获取一行实际内容的长度
if pad_size:
if len(token) < pad_size: # 如果一行的字符数少于70,则填充字符<PAD>,填充个数为少于的部分的个数
token.extend([PAD] * (pad_size - len(token)))
else: # 如果一行的字大于70,则只取前70个字
token = token[:pad_size] # 如果一条评论种的宁大于或等于70个字,索引的切分
seq_len = pad_size # 当前评论的长度
# word to id
for word in token: # 遍历实际内容的每一个字符
words_line.append(vocab.get(word, vocab.get(UNK))) # vocab为词库,其中为字典形式,
# 使用get去获取遍历出来的字符的值,值可表示索引值,
# 如果该字符不在词库中则将其值增加为字典中键UNK对应的值,
# words_line中存放的是每一行的每一个字符对应的索引值
contents.append((words_line, int(label), seq_len)) # 将每一行评论的字符对应的索引以及这一行评论的类别,还有当前评论的实际内容的长度,以元组的形式存入列表
random.shuffle(contents) # 随机打乱每一行内容的顺序
"""切分80%训练集、10%验证集、10%测试集"""
train_data = contents[: int(len(contents) * 0.8)] # 前80%的评论数据作为训练集
dev_data = contents[int(len(contents) * 0.8):int(len(contents) * 0.9)] # 把80%~90%的评论数据集作为验证数热
test_data = contents[int(len(contents) * 0.9):] # 90%~最后的数据作为测试数据集
return vocab, train_data, dev_data, test_data # 返回词库、训练集、验证集、测试集,数据集为列表中的元组形式
class DatasetIterater(object):
def __init__(self, batches, batch_size, device):
self.batch_size = batch_size
self.batches = batches
self.n_batches = len(batches) // batch_size
self.residue = False
if len(batches) % self.n_batches != 0: # 表示有余数
self.residue = True
self.index = 0
self.device = device
def _to_tensor(self, datas):
x = torch.LongTensor([_[0] for _ in datas]).to(self.device) # 评论内容
y = torch.LongTensor([_[1] for _ in datas]).to(self.device) # 评论情感
# pad前的长度(超过pad_size的设为pad_size)
seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device)
return (x, seq_len), y # (([23,34,..13],70),2)
# __getitem__:是通过索引的方式获取数据对象中的内容。__next__ 是使用 for i in trgin iter:
def __next__(self): # 用于定义迭代器对象的下一个元素。当一个对象实现了__next_方法时,它可以被用于创建迭代器对象。
if self.residue and self.index == self.n_batches: # 当读取到数据的最后一个batch:
batches = self.batches[self.index * self.batch_size: len(self.batches)]
self.index += 1
batches = self._to_tensor(batches) # 转换数据类型tensor
return batches
elif self.index > self.n_batches: # 当读取完最后一个batch时:
self.index = 0
raise StopIteration # 为了防止迭代永远进行,我们可以使用StopIteration(停止迭代)语句
else: # 当没有读取到最后一个batch时:
batches = self.batches[self.index * self.batch_size:(self.index + 1) * self.batch_size] # 提取当前bathsize的数据量
self.index += 1
batches = self._to_tensor(batches)
return batches
def __iter__(self):
return self
def __len__(self):
if self.residue:
return self.n_batches + 1
else:
return self.n_batches
if __name__ == '__main__':
vocab, train_data, dev_data, test_data = load_dataset('simplifyweibo_4_moods.csv')
print(train_data, dev_data, test_data)
print('结束')
# 将train_data、dev_data、test_data数据内容保存为pkl文件,分别后面直接读取。
# #当我们自己写一个函数的时候,调试,函数调试好,
四、模型构建(TextRNN.py)
本项目采用了 TextRNN 模型,它是一种基于循环神经网络(RNN)的架构,具有以下特点:
1、嵌入层(Embedding Layer)
(1)、如果有预训练的词嵌入向量(本项目中从embedding_Tencent.npz文件加载),则使用nn.Embedding.from_pretrained方法创建嵌入层;否则,使用nn.Embedding随机初始化词嵌入矩阵。
(2)、嵌入层的作用是将输入的字符索引转换为低维的向量表示,捕捉字符之间的语义关系。
2、长短期记忆网络层(LSTM)
(1)、采用多层双向 LSTM 结构(nn.LSTM),其中每层有 128 个隐藏单元,共 3 层。双向 LSTM 能够同时捕捉文本的正向和反向信息,更好地理解文本的语义。
(2)、通过设置batch_first = True,使输入数据的维度顺序符合批量优先的原则,方便后续的计算。同时,使用dropout = 0.3来防止过拟合。
3、全连接层(Fully Connected Layer)
最后一层是全连接层(nn.Linear),它将 LSTM 层输出的特征向量映射到情感类别数量的维度上(本项目中为 4 种情感类别),从而得到每个类别的预测概率。
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import sys
class Model(nn.Module):
def __init__(self, embedding_pretrained, n_vocab, embed, num_classes):
super(Model, self).__init__()
if embedding_pretrained is not None:
self.embedding = nn.Embedding.from_pretrained(embedding_pretrained, padding_idx=n_vocab - 1)
else:
self.embedding = nn.Embedding(n_vocab, embed, padding_idx=n_vocab - 1)
self.lstm = nn.LSTM(embed, 128, 3, bidirectional=True, batch_first=True, dropout=0.3)
self.fc = nn.Linear(128 * 2, num_classes)
def forward(self, x):
x, _ = x
out = self.embedding(x)
out, _ = self.lstm(out)
out = self.fc(out[:, -1, :])
return out
五、模型训练与评估(train_eval_test.py)
1、训练过程(train 函数)
(1)、在训练过程中,使用torch.optim.Adam优化器对模型参数进行更新,学习率设置为1e - 3。
(2)、每个训练轮次(epoch)中,遍历训练集的每个批次(batch)。对于每个批次的数据,计算模型的输出和损失(使用交叉熵损失函数F.cross_entropy),然后进行反向传播更新模型参数。
(3)、每 100 个批次,在训练集和验证集上评估模型的性能。计算准确率(accuracy)作为评估指标,如果验证集上的损失小于之前的最优损失,则保存当前模型为最优模型,并记录对应的批次编号。
(4)、如果在连续 10000 个批次中模型没有得到优化,则自动停止训练。
2、评估过程(evaluate 函数和 test 函数)
(1)、在评估阶段,关闭梯度计算(with torch.no_grad()),以节省内存和计算资源。
(2)、对于测试集或验证集的数据,计算模型的输出和损失,并将预测结果与真实标签进行比较。计算准确率和其他评估指标(如分类报告metrics.classification_report),以全面评估模型的性能。
import torch
import torch.nn.functional as F
import torch.nn as nn
import numpy as np
from sklearn import metrics
import time
def evaluate(class_list,model,data_iter,test=False):
model.eval()
loss_total=0
predict_all = np.array([],dtype=int)
labels_all = np.array([],dtype=int)
with torch.no_grad(): # 一个上下文管理器,关闭梯度计算。当你确认不会调用Tensor.backward()的
for texts,labels in data_iter:
outputs = model(texts)
loss = F.cross_entropy(outputs,labels)
loss_total += loss
labels = labels.data.cpu().numpy()
predic = torch.max(outputs.data,1)[1].cpu().numpy()
labels_all = np.append(labels_all,labels)
predict_all = np.append(predict_all,predic)
acc = metrics.accuracy_score(labels_all,predict_all)
if test:
report = metrics.classification_report(labels_all,predict_all,target_names=class_list,digits=4)
return acc,loss_total/len(data_iter),report
return acc,loss_total/len(data_iter)
def test(model,test_iter,class_list):
model.load_state_dict(torch.load('TextRNN.skpt'))
model.eval()
start_time = time.time()
test_acc,test_loss,test_report = evaluate(class_list,model,test_iter,test=True)
msg = "Test Loss:{0:>5.2},Test Acc:{1:6.2%}"
print(msg.format(test_loss,test_acc))
print(test_report)
pass
def train(model,train_iter,dev_iter,test_iter,class_list):
model.train()
optimizer = torch.optim.Adam(model.parameters(),lr=1e-3)
total_batch = 0
dev_best_loss = float('inf')
last_improve = 0
flag = False
epochs = 2
for epoch in range(epochs):
print('Epoch [{}/{}]'.format(epoch+1,epochs))
for i,(trains,labels) in enumerate(train_iter):
# 经过DatasetIterater中的to_tensor 返回的数据格式为:(x,seq_len),y
outputs = model(trains)
loss = F.cross_entropy(outputs,labels)
model.zero_grad()
loss.backward()
optimizer.step()
if total_batch % 100 == 0: # 每多少轮输出在训练集和验证集上的效果
predic = torch.max(outputs.data,1)[1].cpu()
train_acc = metrics.accuracy_score(labels.data.cpu(),predic)
dev_acc,dev_loss = evaluate(class_list,model,dev_iter) # 将验证数据集传入模型,获得验证结果
if dev_loss < dev_best_loss:
dev_best_loss = dev_loss # 保存最优模型
torch.save(model.state_dict(),'TextRNN.ckpt')
last_improve = total_batch # 保存最优模型的batch值 800batchs 21000
msg = 'Iter:{0:>6},Train Loss:{1:>5.2},Train Acc:{2:>6.2%},Val Loss:{3:>5.2},Val Acc:{4:>6.2%}'
print(msg.format(total_batch,loss.item(), train_acc, dev_loss, dev_acc))
model.train()
total_batch += 1
if total_batch - last_improve > 10000:
print("No optimization for a long time,auto-stopping...")
flag = True
if flag:
break
# test(model,test_iter,class_list)
六、项目总结
通过本项目,我们展示了一个完整的自然语言处理情感分析流程,从数据预处理到模型构建和训练评估。TextRNN 模型在微博评论文本的情感分类任务上取得了一定的效果。然而,自然语言处理是一个复杂的领域,还有很多可以改进和优化的地方。