文字分類概觀

Deep Learning for Text with PyTorch

Shubham Jain

Instructor

文字分類定義

為文字指派標籤
賦予詞句意義

機器學習中的分類類型

為非結構化資料建立結構
應用：
- 解析評論中的顧客情緒
- 偵測電子郵件垃圾信
- 為新聞加上主題標籤
類型：二元、多類別、多標籤

二元分類

分成兩類
範例：電子郵件垃圾信偵測
電子郵件可分為「spam」或「not spam」

二元分類

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

多類別分類

新聞分類

分成多個類別
範例：新聞文章 可分類為
1. Politics
2. Sports
3. Technology

多標籤分類

每段文字可有多個標籤
範例：書籍可同時屬於多種體裁
- 動作
- 冒險
- 奇幻

什麼是詞向量

詞向量流程

詞向量範例

先前編碼法是良好起點
- 但特徵過多，且難以辨識相似詞
詞向量將單詞映射到數值向量
語意關係範例：
- King 與 queen
- Man 與 woman

字詞到索引映射

範例：
- "King" -> 1
- "Queen" -> 2
精簡且計算有效率
在流程中接在分詞之後

在 PyTorch 中使用詞向量

torch.nn.Embedding：
- 由索引產生單詞向量

輸入：['The', 'cat', 'sat', 'on', 'the', 'mat'] 的索引

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])

使用 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])

在流程中使用詞向量

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)

一起來練習吧！

Deep Learning for Text with PyTorch