Convolutional Neural Networks สำหรับการจำแนกข้อความ

Deep Learning สำหรับข้อความด้วย PyTorch

Shubham Jain

Instructor

CNN สำหรับการจำแนกข้อความ

จำแนกทวีตเป็น
- เชิงบวก
- เชิงลบ
- เป็นกลาง

การดำเนินการ Convolution

การดำเนินการ Convolution
- เลื่อน Filter (Kernel) ไปบนข้อมูล Input
- คำนวณแบบ Element-wise ในแต่ละตำแหน่งของ Filter

สำหรับข้อความ: เรียนรู้โครงสร้างและความหมายของคำ

¹ Animation from Vincent Dumoulin, Francesco Visin

Filter และ Stride ใน CNN

Filter:
- Matrix ขนาดเล็กที่เลื่อนไปบน Input

Stride:
- จำนวนตำแหน่งที่ Filter เลื่อนในแต่ละครั้ง

Filter และ Stride

¹ Animation from Vincent Dumoulin, Francesco Visin

สถาปัตยกรรม CNN สำหรับข้อความ

Convolutional Layer: ใช้ Filter กับข้อมูล Input
Pooling Layer: ลดขนาดข้อมูลโดยคงข้อมูลสำคัญไว้
Fully Connected Layer: ทำนายผลลัพธ์สุดท้ายจาก Output ของเลเยอร์ก่อนหน้า

การสร้างโมเดลจำแนกข้อความด้วย CNN

class SentimentAnalysisCNN(nn.Module):

    def __init__(self, vocab_size, embed_dim):

        super().__init__()

        self.embedding = nn.Embedding(vocab_size, 
                                         embed_dim)

        self.conv = nn.Conv1d(embed_dim, embed_dim, 
                               kernel_size=3, stride=1, 
                               padding=1)

        self.fc =  nn.Linear(embed_dim, 2)
    ...

เมธอด __init__ กำหนดสถาปัตยกรรมของโมเดล
super() เริ่มต้น Base Class nn.Module
nn.Embedding สร้าง Dense Word Vector
nn.Conv1d สำหรับข้อมูลแบบ 1 มิติ

การสร้างโมเดลจำแนกข้อความด้วย CNN

    ...
    def forward(self, text):
        embedded = self.embedding(text).permute(0, 2, 1)

        conved = F.relu(self.conv(embedded))

        conved = conved.mean(dim=2)

        return self.fc(conved)

Embedding Layer แปลงข้อความเป็น Embedding
ปรับ Tensor ให้ตรงกับ Input ที่ Convolution Layer คาดหวัง
ดึง Feature สำคัญด้วย ReLU
ลบเลเยอร์และมิติที่ไม่จำเป็นออก

เตรียมข้อมูลสำหรับโมเดลวิเคราะห์ความรู้สึก

vocab = ["i", "love", "this", "book", "do", "not", "like"]
word_to_idx = {word: i for i, word in enumerate(vocab)}

vocab_size = len(word_to_ix)

embed_dim = 10

book_samples = [
    ("The story was captivating and kept me hooked until the end.".split(),1),
    ("I found the characters shallow and the plot predictable.".split(),0)
]

model = SentimentAnalysisCNN(vocab_size, embed_dim)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.1)

เทรนโมเดล

for epoch in range(10):  
    for sentence, label in data:

        model.zero_grad()

        sentence = torch.LongTensor([word_to_idx.get(w, 0) for w in sentence]).unsqueeze(0)

        outputs = model(sentence)
        label = torch.LongTensor([int(label)])

        loss = criterion(outputs, label)
        loss.backward()

        optimizer.step()

รันโมเดลวิเคราะห์ความรู้สึก

for sample in book_samples:

    input_tensor = torch.tensor([word_to_idx[w] for w in sample], dtype=torch.long).unsqueeze(0)

    outputs = model(input_tensor)

    _, predicted_label = torch.max(outputs.data, 1)

    sentiment = "Positive" if predicted_label.item() == 1 else "Negative"

    print(f"Book Review: {' '.join(sample)}")
    print(f"Sentiment: {sentiment}\n")

Book Review: The story was captivating and kept me hooked until the end
Sentiment: Positive
Book Review: I found the characters shallow and the plot predictable
Sentiment: Negative

มาฝึกกันเถอะ!

Deep Learning สำหรับข้อความด้วย PyTorch