Рекуррентные нейронные сети для классификации текста

Глубокое обучение для работы с текстом на PyTorch

Shubham Jain

Data Scientist

RNN для текста

Обрабатывают последовательности переменной длины
Поддерживают краткосрочную память
CNN выявляют паттерны в фрагментах
RNN учитывают предыдущие слова для понимания смысла

RNN для классификации текста

Изображение сарказма

Почему?

RNN читают предложения как человек — слово за словом
Понимают контекст и порядок слов

Пример: определение сарказма в твите

«I just love getting stuck in traffic.»

Сарказм

Повторение: реализация Dataset и 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]

Реализация 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)

Обучите модель RNN классифицировать твит как позитивный или негативный
Результат: «Positive»

Вариация RNN: LSTM

Изображение анализа тональности

Твит:

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

Long Short-Term Memory (LSTM) справляется со сложными зависимостями там, где RNN могут не справиться

LSTM

Архитектура LSTM: входной, забывающий и выходной вентили

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

Вариация RNN: GRU

Тема письма:

   «Congratulations!
    You've won a free trip 
    to Hawaii!»

Gated Recurrent Unit (GRU) быстро распознаёт спам-паттерны, не требуя полного контекста

Спам по электронной почте

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

Давайте потренируемся!

Глубокое обучение для работы с текстом на PyTorch