Återkommande neurala nätverk för textklassificering

Djupinlärning för text med PyTorch

Shubham Jain

Data Scientist

RNN:er för text

Hanterar sekvenser av varierande längd
Upprätthåller ett internt korttidsminne
CNN:er hittar mönster i textblock
RNN:er minns tidigare ord för bättre förståelse

RNN:er för textklassificering

Bild på sarkasm

Varför?

RNN:er läser meningar som människor – ett ord i taget
Förstår kontext och ordningsföljd

Exempel: Identifiera sarkasm i en tweet

"I just love getting stuck in traffic."

Sarkastisk

Repetition: Implementera Dataset och 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]

RNN-implementation

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)

Träna en RNN-modell att klassificera tweets som positiva eller negativa
Utdata: "Positive"

RNN-variant: LSTM

Bild på sentimentanalys

Tweet:

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

Long Short-Term Memory (LSTM) kan hantera komplexitet där RNN:er kan ha svårigheter

LSTM

LSTM-arkitektur: Inmatningsgrindar, glömmgrindar och utgångsgrindar

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

RNN-variant: GRU

E-postämne:

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

Gated Recurrent Unit (GRU) kan snabbt känna igen skräppostmönster utan att behöva hela kontexten

Skräppost via e-post

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

Nu kör vi en övning!

Djupinlärning för text med PyTorch