Rekurentní neuronové sítě pro klasifikaci textu

Deep Learning for Text with PyTorch

Shubham Jain

Data Scientist

RNN pro text

Zpracovávají sekvence různých délek
Udržují krátkodobou paměť
CNN rozpoznávají vzory v blocích
RNN si pamatují předchozí slova pro lepší porozumění

RNN pro klasifikaci textu

Obrázek sarkasmu

Proč?

RNN čtou věty jako lidé – slovo po slovu
Chápou kontext a pořadí

Příklad: Detekce sarkasmu v tweetu

"I just love getting stuck in traffic."

Sarkastické

Rekapitulace: Implementace Dataset a DataLoader

# Import libraries
from torch.utils.data import Dataset, DataLoader

# Create a class
class TextDataset(Dataset):

    def __init__(self, text):
        self.text = text

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

    def __getitem__(self, idx):
        return self.text[idx]

Implementace RNN

sample_tweet = "This movie had a great plot and amazing acting."
# Preprocess the review and convert it to a tensor (not shown for brevity)
# ...
sentiment_prediction = model(sample_tweet_tensor)

Trénování modelu RNN pro klasifikaci tweetu jako pozitivní nebo negativní
Výstup: „Positive"

Varianta RNN: LSTM

Obrázek analýzy sentimentu

Tweet:

  "Loved the cinematography, 
  hated the dialogue. 
  The acting was exceptional,
  but the plot fell flat."

Long Short Term Memory (LSTM) zachytí složitosti, se kterými mají RNN potíže

LSTM

Architektura LSTM: vstupní brána, brána zapomínání a výstupní brána

class LSTMModel(nn.Module):

    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMModel, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)


    def forward(self, x):
        _, (hidden, _) = self.lstm(x)
        output = self.fc(hidden.squeeze(0))
        return output

Varianta RNN: GRU

Předmět e-mailu:

   "Congratulations!
    You've won a free trip 
    to Hawaii!"

Gated Recurrent Unit (GRU) rychle rozpozná spamové vzory bez potřeby plného kontextu

Spamový e-mail

GRU

class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRUModel, self).__init__()
        self.gru = nn.GRU(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        _, hidden = self.gru(x)
        output = self.fc(hidden.squeeze(0))
        return output

Pojďme si procvičit!

Deep Learning for Text with PyTorch