Classificação de sentimento revisitada

Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras

David Cecchini

Data Scientist

Resultados anteriores

Tivemos resultados ruins com o modelo inicial.

model = Sequential()
model.add(SimpleRNN(units=16, input_shape=(None, 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy'])

model.evaluate(x_test, y_test)

$[0.6991182165145874, 0.495]

Aprimorando o modelo

Para melhorar o desempenho do modelo, podemos:

Adicionar a camada de embedding
Aumentar o número de camadas
Ajustar os parâmetros
Ampliar o vocabulário
Aceitar frases mais longas com mais células de memória

Evitando overfitting

Modelos RNN podem sofrer overfitting

Teste tamanhos de batch diferentes.
Adicione camadas Dropout.
Adicione parâmetros dropout e recurrent_dropout nas camadas RNN.

# remove 20% da entrada para adicionar ruído
model.add(Dropout(rate=0.2))

# Remove 10% da entrada e das células de memória, respectivamente
model.add(LSTM(128, dropout=0.1, recurrent_dropout=0.1))

Extra: Camada Convolucional

Fora do escopo:

model.add(Embedding(vocabulary_size, wordvec_dim, ...))
model.add(Conv1D(num_filters=32, kernel_size=3, padding='same'))
model.add(MaxPooling1D(pool_size=2))

Camadas convolucionais fazem seleção de features no vetor de embedding
Alcança resultados de ponta em muitos problemas de PLN

Um modelo de exemplo

model = Sequential()
model.add(Embedding(  vocabulary_size, wordvec_dim, trainable=True,
                      embeddings_initializer=Constant(glove_matrix), 
                      input_length=max_text_len, name="Embedding"))

model.add(Dense(wordvec_dim, activation='relu', name="Dense1"))

model.add(Dropout(rate=0.25))
model.add(LSTM(64, return_sequences=True, dropout=0.15, name="LSTM"))

model.add(GRU(64, return_sequences=False, dropout=0.15, name="GRU"))

model.add(Dense(64, name="Dense2"))
model.add(Dropout(rate=0.25))
model.add(Dense(32, name="Dense3"))

model.add(Dense(1, activation='sigmoid', name="Output"))

Vamos praticar!

Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras