Rețele neuronale recurente pentru clasificarea textului

Deep Learning pentru text cu PyTorch

Shubham Jain

Data Scientist

RNN-uri pentru text

Gestionează secvențe de lungimi variabile
Mențin o memorie internă pe termen scurt
CNN-urile identifică tipare în fragmente
RNN-urile rețin cuvintele anterioare pentru un sens mai profund

RNN-uri pentru clasificarea textului

Imagine sarasm

De ce?

RNN-urile citesc propozițiile ca oamenii, cuvânt cu cuvânt
Înțeleg contextul și ordinea

Exemplu: Detectarea sarcasticului într-un tweet

"I just love getting stuck in traffic."

Sarcastic

Recapitulare: Implementarea Dataset și 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]

Implementarea 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)

Antrenați un model RNN pentru a clasifica tweet-ul ca pozitiv sau negativ
Rezultat: „Pozitiv"

Variantă RNN: LSTM

Imagine analiză sentiment

Tweet:

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

Long Short Term Memory (LSTM) poate surprinde complexități acolo unde RNN-urile pot eșua

LSTM

Arhitectura LSTM: poartă de intrare, poartă de uitare și poartă de ieșire

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

Variantă RNN: GRU

Subiect e-mail:

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

Gated Recurrent Unit (GRU) poate identifica rapid tipare spam fără a necesita contextul complet

E-mail spam

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

Să exersăm!

Deep Learning pentru text cu PyTorch