Přehled klasifikace textu

Deep Learning for Text with PyTorch

Shubham Jain

Instructor

Definice klasifikace textu

Přiřazování štítků textu
Přidávání významu slovům a větám

Typy klasifikace v strojovém učení

Organizuje a strukturuje nestrukturovaná data
Aplikace:
- Analýza sentimentu zákazníků v recenzích
- Detekce spamu v e-mailech
- Označování zpravodajských článků relevantními tématy
Typy: binární, vícetřídní, vícestítková

Binární klasifikace

Třídění do dvou kategorií
Příklad: detekce spamu v e-mailech
E-maily lze klasifikovat jako 'spam' nebo 'ne spam'

Binární klasifikace

¹ https://storage.googleapis.com/gweb-cloudblog-publish/images/image4_v2LFcq0.max-1200x1200.png

Vícetřídní klasifikace

Klasifikace zpráv

Třídění do více kategorií
Příklad: Zpravodajské články lze třídit do různých kategorií, například
1. Politika
2. Sport
3. Technologie

Vícestítková klasifikace

Každému textu lze přiřadit více štítků
Příklad: Knihy mohou mít více žánrů
- Akce
- Dobrodružství
- Fantasy

Co jsou slovní vektory

Pipeline slovních vektorů

Příklad slovního vektoru

Předchozí techniky kódování jsou dobrým výchozím bodem
- Často vytvářejí příliš mnoho příznaků a neumí identifikovat podobná slova
Slovní vektory mapují slova na číselné vektory
Příklad sémantického vztahu:
- Král a královna
- Muž a žena

Mapování slov na indexy

Příklad:
- "King" -> 1
- "Queen" -> 2
Kompaktní a výpočetně efektivní
Navazuje na tokenizaci v pipeline

Slovní vektory v PyTorch

torch.nn.Embedding:
- Vytváří slovní vektory z indexů

Vstup: indexy pro ['The', 'cat', 'sat', 'on', 'the', 'mat']

Embedding for 'the': tensor([-0.4689,  0.3164, -0.2971, -0.1291,  0.4064])
Embedding for 'cat': tensor([-0.0978, -0.4764,  0.0476,  0.1044, -0.3976])
Embedding for 'sat': tensor([ 0.2731,  0.4431,  0.1275,  0.1434, -0.4721])

Použití torch.nn.Embedding

import torch
from torch import nn

words = ["The", "cat", "sat", "on", "the", "mat"]
word_to_idx = {word: i for i, word in enumerate(words)}

inputs = torch.LongTensor([word_to_idx[w] for w in words])

embedding = nn.Embedding(num_embeddings=len(words), embedding_dim=10)

output = embedding(inputs)

print(output)

tensor([[ 1.0624,  0.6792,  0.0459,  ... -1.0828, -0.4475,  0.4868],
         ...
         [1.5766,  0.0106,  0.1161,  ...,,  -0.0859, 1.3160,  1.3621])

Použití vektorů v pipeline

def preprocess_sentences(text):
  # Tokenization
  # Stemming
  ...

  # Word to index mapping

class TextDataset(Dataset):
    def __init__(self, encoded_sentences):
        self.data = encoded_sentences

    def __len__(self):
        return len(self.data)

    def __getitem__(self, index):
        return self.data[index]

def text_processing_pipeline(text):
    tokens = preprocess_sentences(text)
    dataset = TextDataset(tokens)
    dataloader = DataLoader(dataset, batch_size=2, 
                            shuffle=True)
    return dataloader, vectorizer


text = "Your sample text here."
dataloader, vectorizer = text_processing_pipeline(text)

embedding = nn.Embedding(num_embeddings=10,
                         embedding_dim=50) 

for batch in dataloader:
    output = embedding(batch)
    print(output)

Pojďme si procvičit!

Deep Learning for Text with PyTorch