Обзор классификации текста

Глубокое обучение для работы с текстом на PyTorch

Shubham Jain

Instructor

Что такое классификация текста

Присвоение меток тексту
Придание смысла словам и предложениям

Типы классификации в машинном обучении

Структурирует неструктурированные данные
Применения:
- Анализ тональности отзывов клиентов
- Фильтрация спама в электронной почте
- Разметка новостных статей по темам
Типы: бинарная, многоклассовая, многолабельная

Бинарная классификация

Разбиение на два класса
Пример: фильтрация спама
Письма классифицируются как «спам» или «не спам»

Бинарная классификация

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

Многоклассовая классификация

Классификация новостей

Разбиение на несколько классов
Пример: новостные статьи можно разнести по категориям
1. Политика
2. Спорт
3. Технологии

Многолабельная классификация

Одному тексту можно присвоить несколько меток
Пример: книги могут относиться к нескольким жанрам
- Боевик
- Приключения
- Фэнтези

Что такое векторные представления слов

Пайплайн векторных представлений слов

Пример векторного представления слов

Прежние методы кодирования — хороший первый шаг
- Они порождают слишком много признаков и не улавливают схожесть слов
Векторные представления слов отображают слова в числовые векторы
Пример семантической связи:
- «Король» и «королева»
- «Мужчина» и «женщина»

Отображение слов в индексы

Пример:
- «King» -> 1
- «Queen» -> 2
Компактный и эффективный по вычислениям
Следует за токенизацией в пайплайне

Векторные представления слов в PyTorch

torch.nn.Embedding:
- Создаёт векторы слов по индексам

Вход: индексы для ['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])

Использование 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])

Использование векторных представлений в пайплайне

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)

Давайте потренируемся!

Глубокое обучение для работы с текстом на PyTorch