Przegląd klasyfikacji tekstu

Uczenie głębokie dla tekstu z PyTorch

Shubham Jain

Instructor

Klasyfikacja tekstu – definicja

Przypisywanie etykiet do tekstu
Nadawanie znaczenia słowom i zdaniom

Typy klasyfikacji w uczeniu maszynowym

Organizuje nieustrukturyzowane dane i nadaje im strukturę
Zastosowania:
- Analiza sentymentu klientów w recenzjach
- Wykrywanie spamu w wiadomościach e-mail
- Tagowanie artykułów newsowych według tematów
Typy: binarna, wieloklasowa, wieloetykietowa

Klasyfikacja binarna

Sortowanie do dwóch kategorii
Przykład: wykrywanie spamu
E-maile są klasyfikowane jako „spam" lub „nie spam"

Klasyfikacja binarna

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

Klasyfikacja wieloklasowa

Klasyfikacja wiadomości

Sortowanie do wielu kategorii
Przykład: Artykuły newsowe można sortować według kategorii, np.
1. Polityka
2. Sport
3. Technologia

Klasyfikacja wieloetykietowa

Każdy tekst może mieć wiele etykiet
Przykład: Książki mogą należeć do wielu gatunków
- Akcja
- Przygoda
- Fantasy

Czym są osadzenia słów

Potok osadzania słów

Przykład osadzania słów

Poprzednie techniki kodowania są dobrym punktem wyjścia
- Tworzą zbyt wiele cech i nie rozpoznają podobnych słów
Osadzenia słów mapują słowa na wektory liczbowe
Przykłady relacji semantycznych:
- Król i królowa
- Mężczyzna i kobieta

Mapowanie słów na indeksy

Przykład:
- „King" -> 1
- „Queen" -> 2
Kompaktowe i wydajne obliczeniowo
Następuje po tokenizacji w potoku

Osadzenia słów w PyTorch

torch.nn.Embedding:
- Tworzy wektory słów z indeksów

Dane wejściowe: indeksy dla ['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])

Użycie 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])

Użycie osadzeń w potoku

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)

Czas na ćwiczenia!

Uczenie głębokie dla tekstu z PyTorch