Огляд класифікації тексту

Глибоке навчання для тексту з PyTorch

Shubham Jain

Instructor

Визначення класифікації тексту

Присвоєння міток тексту
Надає зміст словам і реченням

Типи класифікації в машинному навчанні

Упорядковує та структурує неструктуровані дані
Застосування:
- Аналіз настроїв клієнтів у відгуках
- Виявлення спаму в електронній пошті
- Тегування новин за відповідними темами
Типи: бінарна, багатокласова, багатоміткова

Бінарна класифікація

Розподіл на дві категорії
Приклад: виявлення спаму в пошті
Листи класифікуються як 'spam' або 'not spam'

Бінарна класифікація

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

Багатокласова класифікація

Класифікація новин

Розподіл на кілька категорій
Приклад: новинні статті можна розподілити за такими категоріями, як
1. Політика
2. Спорт
3. Технології

Багатоміткова класифікація

Кожному тексту можна призначити кілька міток
Приклад: книги можуть мати кілька жанрів
- Бойовик
- Пригоди
- Фентезі

Що таке word embeddings

Конвеєр Word Embedding

Приклад Word Embedding

Попередні методи кодування — добрий перший крок
- Часто створюють забагато ознак і не розрізняють подібні слова
Word embeddings відображають слова у числові вектори
Приклад семантичного зв'язку:
- King і queen
- Man і woman

Відображення слова в індекс

Приклад:
- "King" -> 1
- "Queen" -> 2
Компактно й обчислювально ефективно
Іде після токенізації у конвеєрі

Word embeddings у PyTorch

torch.nn.Embedding:
- Створює вектори слів за індексами

Вхід: індекси 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])

Використання 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])

Використання embeddings у конвеєрі

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 потренуємось!

Глибоке навчання для тексту з PyTorch