テキスト分類の畳み込みニューラルネットワーク（CNN）

PyTorch で学ぶテキストの Deep Learning

Shubham Jain

Instructor

テキスト分類のためのCNN

ツイートを分類
- ポジティブ
- ネガティブ
- ニュートラル

畳み込み演算

畳み込み演算
- 入力上をフィルタ（カーネル）がスライド
- 各位置で要素ごとの計算を実行

テキストでは：単語の構造と意味を学習

¹ Animation from Vincent Dumoulin, Francesco Visin

CNNにおけるフィルタとストライド

フィルタ：
- 入力上をスライドする小さな行列

ストライド：
- フィルタが動くステップ数

フィルタとストライド

¹ Animation from Vincent Dumoulin, Francesco Visin

テキスト向けCNNの構成

畳み込み層：入力にフィルタを適用
プーリング層：重要情報を保ちつつサイズ削減
全結合層：前段の出力から最終予測

CNNでテキスト分類モデルを実装

class SentimentAnalysisCNN(nn.Module):

    def __init__(self, vocab_size, embed_dim):

        super().__init__()

        self.embedding = nn.Embedding(vocab_size, 
                                         embed_dim)

        self.conv = nn.Conv1d(embed_dim, embed_dim, 
                               kernel_size=3, stride=1, 
                               padding=1)

        self.fc =  nn.Linear(embed_dim, 2)
    ...

__init__ はアーキテクチャを設定
super() で基底クラス nn.Module を初期化
nn.Embedding は単語を密ベクトル化
nn.Conv1d は1次元データ用

CNNでテキスト分類モデルを実装

    ...
    def forward(self, text):
        embedded = self.embedding(text).permute(0, 2, 1)

        conved = F.relu(self.conv(embedded))

        conved = conved.mean(dim=2)

        return self.fc(conved)

埋め込み層でテキストを埋め込みへ
畳み込みの想定入力にテンソルを整形
ReLUで重要特徴を抽出
余分な次元を削減

感情分析モデルのデータ準備

vocab = ["i", "love", "this", "book", "do", "not", "like"]
word_to_idx = {word: i for i, word in enumerate(vocab)}

vocab_size = len(word_to_ix)

embed_dim = 10

book_samples = [
    ("The story was captivating and kept me hooked until the end.".split(),1),
    ("I found the characters shallow and the plot predictable.".split(),0)
]

model = SentimentAnalysisCNN(vocab_size, embed_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

モデルの学習

for epoch in range(10):  
    for sentence, label in data:

        model.zero_grad()

        sentence = torch.LongTensor([word_to_idx.get(w, 0) for w in sentence]).unsqueeze(0)

        outputs = model(sentence)
        label = torch.LongTensor([int(label)])

        loss = criterion(outputs, label)
        loss.backward()

        optimizer.step()

感情分析モデルの実行

for sample in book_samples:

    input_tensor = torch.tensor([word_to_idx[w] for w in sample], dtype=torch.long).unsqueeze(0)

    outputs = model(input_tensor)

    _, predicted_label = torch.max(outputs.data, 1)

    sentiment = "Positive" if predicted_label.item() == 1 else "Negative"

    print(f"Book Review: {' '.join(sample)}")
    print(f"Sentiment: {sentiment}\n")

Book Review: The story was captivating and kept me hooked until the end
Sentiment: Positive
Book Review: I found the characters shallow and the plot predictable
Sentiment: Negative

Let's practice!

PyTorch で学ぶテキストの Deep Learning