ภาพรวมของการจำแนกข้อความ

Deep Learning สำหรับข้อความด้วย PyTorch

Shubham Jain

Instructor

นิยามของการจำแนกข้อความ

การกำหนดป้ายกำกับให้กับข้อความ
การให้ความหมายแก่คำและประโยค

ประเภทของการจำแนกใน Machine Learning

จัดระเบียบและเพิ่มโครงสร้างให้กับข้อมูลที่ไม่มีโครงสร้าง
การประยุกต์ใช้:
- วิเคราะห์ความรู้สึกของลูกค้าจากรีวิว
- ตรวจจับสแปมในอีเมล
- แท็กบทความข่าวด้วยหัวข้อที่เกี่ยวข้อง
ประเภท: binary, multi-class, multi-label

Binary classification

แบ่งออกเป็นสองหมวดหมู่
ตัวอย่าง: การตรวจจับสแปมในอีเมล
อีเมลจะถูกจำแนกเป็น 'spam' หรือ 'not spam'

Binary Classification

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

Multi-class classification

การจำแนกข่าว

แบ่งออกเป็นหลายหมวดหมู่
ตัวอย่าง: บทความข่าว สามารถแบ่งได้หลายหมวดหมู่ เช่น
1. การเมือง
2. กีฬา
3. เทคโนโลยี

Multi-label classification

ข้อความหนึ่งชิ้นสามารถกำหนดได้หลายป้ายกำกับ
ตัวอย่าง: หนังสือ หนึ่งเล่มอาจอยู่ในหลายแนว
- แอ็กชัน
- ผจญภัย
- แฟนตาซี

Word embedding คืออะไร

ไปป์ไลน์ Word Embedding

ตัวอย่าง Word Embedding

เทคนิค encoding แบบเดิมเป็นจุดเริ่มต้นที่ดี
- แต่มักสร้าง feature มากเกินไปและไม่สามารถระบุคำที่คล้ายกันได้
Word embedding แมปคำไปยังเวกเตอร์ตัวเลข
ตัวอย่างความสัมพันธ์เชิงความหมาย:
- King และ queen
- Man และ woman

การแมปคำไปยัง index

ตัวอย่าง:
- "King" -> 1
- "Queen" -> 2
กระชับและประมวลผลได้อย่างมีประสิทธิภาพ
อยู่ถัดจากขั้นตอน tokenization ในไปป์ไลน์

Word embedding ใน PyTorch

torch.nn.Embedding:
- สร้างเวกเตอร์คำจาก index

Input: Index ของ ['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])

การใช้ 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])

การใช้ embedding ในไปป์ไลน์

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)

มาฝึกกันเถอะ!

Deep Learning สำหรับข้อความด้วย PyTorch