用于文本分类的卷积神经网络

使用 PyTorch 的文本深度学习

Shubham Jain

Instructor

用于文本分类的 CNN

将推文分类为
- 积极
- 消极
- 中性

卷积操作

卷积操作
- 在输入上滑动滤波器（核）
- 每个位置执行逐元素计算

针对文本：学习词的结构与含义

¹ 动画来自 Vincent Dumoulin、Francesco Visin

CNN 中的滤波器与步幅

滤波器：
- 在输入上滑动的小矩阵

步幅：
- 滤波器每次移动的格数

滤波器与步幅

¹ 动画来自 Vincent Dumoulin、Francesco Visin

文本的 CNN 架构

卷积层：对输入应用滤波器
池化层：在保留关键信息的同时降采样
全连接层：基于上一层输出做最终预测

用 CNN 实现文本分类模型

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__ 方法配置模型结构
super() 初始化基类 nn.Module
nn.Embedding 生成稠密词向量
nn.Conv1d 处理一维数据

用 CNN 实现文本分类模型

    ...
    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)

嵌入层将文本转为向量
调整张量以匹配卷积层输入
用 ReLU 提取重要特征
去除多余层级与维度

为情感分析模型准备数据

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)

训练模型

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()

运行情感分析模型

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

Passons à la pratique !

使用 PyTorch 的文本深度学习