Rekurencyjne sieci neuronowe do klasyfikacji tekstu

Uczenie głębokie dla tekstu z PyTorch

Shubham Jain

Data Scientist

RNN w przetwarzaniu tekstu

Obsługują sekwencje o zmiennej długości
Utrzymują wewnętrzną pamięć krótkotrwałą
Sieci CNN wykrywają wzorce w fragmentach
Sieci RNN zapamiętują poprzednie słowa dla lepszego zrozumienia

Sieci RNN do klasyfikacji tekstu

Obraz sarkazmu

Dlaczego?

Sieci RNN czytają zdania jak ludzie – słowo po słowie
Rozumieją kontekst i kolejność

Przykład: wykrywanie sarkazmu w tweecie

"I just love getting stuck in traffic."

Sarkastyczny

Przypomnienie: implementacja Dataset i 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]

Implementacja 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)

Trenowanie modelu RNN do klasyfikacji tweeta jako pozytywny lub negatywny
Wynik: „Pozytywny"

Odmiana RNN: LSTM

Obraz analizy sentymentu

Tweet:

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

Long Short Term Memory (LSTM) radzi sobie ze złożonościami, z którymi RNN mogą mieć trudności

LSTM

Architektura LSTM: brama wejściowa, brama zapomnienia i brama wyjściowa

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

Odmiana RNN: GRU

Temat wiadomości e-mail:

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

Gated Recurrent Unit (GRU) szybko rozpoznaje wzorce spamu bez potrzeby pełnego kontekstu

Spam 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

Czas na ćwiczenia!

Uczenie głębokie dla tekstu z PyTorch