AI：深度学习用于文本处理

• 2020 年 3 月 6 日
• 筆記

同本文一起发布的另外一篇文章中，提到了 BlueDot 公司，这个公司致力于利用人工智能保护全球人民免受传染病的侵害，在本次疫情还没有引起强烈关注时，就提前一周发出预警，一周的时间，多么宝贵！

他们的 AI 预警系统，就用到了深度学习对文本的处理，这个系统抓取网络上大量的新闻、公开声明等获取到的数十万的信息，对自然语言进行处理，我们今天就聊聊深度学习如何对文本的简单处理。

文本，String 或 Text，就是字符的序列或单词的序列，最常见的是单词的处理（我们暂时不考虑中文，中文的理解和处理与英文相比要复杂得多）。计算机就是固化的数学，对文本的处理，在本质上来说就是固化的统计学，这样采用统计学处理后的模型就可以解决许多简单的问题了。下面我们开始吧。

处理文本数据

与之前一致，如果原始要训练的数据不是向量，我们要进行向量化，文本的向量化，有几种方式：

• 按照单词分割
• 按照字符分割
• 提取单词的 n-gram

我喜欢吃火……，你猜我接下来会说的是什么？1-gram 接下来说什么都可以，这个词与前文没关系；2-gram 接下来可能说“把，柴，焰”等，组成词语“火把、火柴、火焰”；3-gram 接下来可能说“锅”，组成“吃火锅”，这个概率更大一些。先简单这么理解，n-gram 就是与前 n-1 个词有关。

我们今天先来填之前挖下来的一个坑，当时说以后将介绍 one-hot，现在是时候了。

one-hot 编码

def one_hot():  ​    samples = ['The cat sat on the mat', 'The dog ate my homework']      token_index = {}      # 分割成单词      for sample in samples:          for word in sample.split():              if word not in token_index:                  token_index[word] = len(token_index) + 1      # {'The': 1, 'cat': 2, 'sat': 3, 'on': 4, 'the': 5, 'mat.': 6, 'dog': 7, 'ate': 8, 'my': 9, 'homework.': 10}      print(token_index)        max_length = 8      results = np.zeros(shape=(len(samples), max_length, max(token_index.values()) + 1))      for i, sample in enumerate(samples):          for j, word in list(enumerate(sample.split()))[:max_length]:              index = token_index.get(word)              results[i, j, index] = 1.  ​      print(results)

我们看到，这个数据是不好的，mat 和 homework 后面都分别跟了一个英文的句话 ‘.’，要炫技写那种高级的正则表达式去匹配这个莫名其妙的符号吗？当然不是了，没错，Keras 有内置的方法。

def keras_one_hot():      samples = ['The cat sat on the mat.', 'The dog ate my homework.']      tokenizer = Tokenizer(num_words=1000)      tokenizer.fit_on_texts(samples)      sequences = tokenizer.texts_to_sequences(samples)      print(sequences)      one_hot_results = tokenizer.texts_to_matrix(samples, mode='binary')      print(one_hot_results)      word_index = tokenizer.word_index      print(word_index)      print('Found %s unique tokens.' % len(word_index))

这里的 num_words 和上面的 max_length 都是用来表示多少个最常用的单词，控制好这个，可以大大的减少运算量训练时间，甚至有点时候能更好的提高准确率，希望引起一定注意。我们还可以看到得到的编码的向量，很大一部分都是 0，不够紧凑，这会导致大量的内存占用，不好不好，有什么什么其他办法呢？答案是肯定的。

词嵌入

也叫词向量。词嵌入通常是密集的，维度低的（256、512、1024）。那到底什么叫词嵌入呢？

本文我们的主题是处理文本信息，文本信息就是有语义的，对于没有语义的文本我们什么也干不了，但是我们之前的处理方法，其实就是概率上的统计，，是一种单纯的计算，没有理解的含义（或者说很少），但是考虑到真实情况，“非常好” 和 “非常棒” 的含义是相近的，它们与 “非常差” 的含义是相反的，因此我们希望转换成向量的时候，前两个向量距离小，与后一个向量距离大。因此看下面一张图，是不是就很容易理解了呢：

可能直接让你去实现这个功能有点难，幸好 Keras 简化了这个问题，Embedding 是内置的网络层，可以完成这个映射关系。现在理解这个概念后，我们再来看看 IMDB 问题（电影评论情感预测），代码就简单了，差不都可以达到 75%的准确率：

def imdb_run():      max_features = 10000      maxlen = 20      (x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)      x_train = preprocessing.sequence.pad_sequences(x_train, maxlen=maxlen)      model = Sequential()      model.add(Embedding(10000, 8, input_length=maxlen))      model.add(Flatten())      model.add(Dense(1, activation='sigmoid'))      model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])      model.summary()      history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

我们的数据量有点少，怎么办呢？上一节我们在处理图像的时候，用到的方法是使用预训练的网络，这里我们采用类似的方法，采用预训练的词嵌入。最流行的两种词嵌入是 GloVe 和 Word2Vec，我们后面还是会在合适的时候分别介绍这两个词嵌入。今天我们采用 GloVe 的方法，具体做法我写在了代码的注释中。我们还是先看结果，代码还是放在最后：

很快就过拟合了，你可能觉得这个验证精度接近 60%，考虑到训练样本只有 200 个，这个结果真的还挺不错的，当然，你可能不信，那么我再给出两组对比图，一组是没有词嵌入的：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Uem4R2hO-1583414769394)(https://upload-images.jianshu.io/upload_images/2023569-23b0d32d9d3db11d?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

验证精度明显偏低，再给出 2000 个训练集的数据：

这个精度就高了很多，追求这个高低不是我们的目的，我们的目的是说明词嵌入是有效的，我们达到了这个目的，好了，接下来我们看看代码吧：

#!/usr/bin/env python3  ​  import os  import time  ​  import matplotlib.pyplot as plt  import numpy as np  from keras.layers import Embedding, Flatten, Dense  from keras.models import Sequential  from keras.preprocessing.sequence import pad_sequences  from keras.preprocessing.text import Tokenizer  ​  ​  def deal():      # http://mng.bz/0tIo      imdb_dir = '/Users/renyuzhuo/Documents/PycharmProjects/Data/aclImdb'      train_dir = os.path.join(imdb_dir, 'train')      labels = []      texts = []      # 读出所有数据      for label_type in ['neg', 'pos']:          dir_name = os.path.join(train_dir, label_type)          for fname in os.listdir(dir_name):              if fname[-4:] == '.txt':                  f = open(os.path.join(dir_name, fname))                  texts.append(f.read())                  f.close()                  if label_type == 'neg':                      labels.append(0)                  else:                      labels.append(1)  ​      # 对所有数据进行分词      # 每个评论最多 100 个单词      maxlen = 100      # 训练样本数量      training_samples = 200      # 验证样本数量      validation_samples = 10000      # 只取最常见 10000 个单词      max_words = 10000      # 分词，前文已经介绍过了      tokenizer = Tokenizer(num_words=max_words)      tokenizer.fit_on_texts(texts)      sequences = tokenizer.texts_to_sequences(texts)      word_index = tokenizer.word_index      print('Found %s unique tokens.' % len(word_index))      # 将整数列表转换成张量      data = pad_sequences(sequences, maxlen=maxlen)      labels = np.asarray(labels)      print('Shape of data tensor:', data.shape)      print('Shape of label tensor:', labels.shape)      # 打乱数据      indices = np.arange(data.shape[0])      np.random.shuffle(indices)      data = data[indices]      labels = labels[indices]      # 切割成训练集和验证集      x_train = data[:training_samples]      y_train = labels[:training_samples]      x_val = data[training_samples: training_samples + validation_samples]      y_val = labels[training_samples: training_samples + validation_samples]  ​      # 下载词嵌入数据，下载地址：https: // nlp.stanford.edu / projects / glove      glove_dir = '/Users/renyuzhuo/Documents/PycharmProjects/Data/glove.6B'      embeddings_index = {}      f = open(os.path.join(glove_dir, 'glove.6B.100d.txt'))      # 构建单词与其x向量表示的索引      for line in f:          values = line.split()          word = values[0]          coefs = np.asarray(values[1:], dtype='float32')          embeddings_index[word] = coefs      f.close()      print('Found %s word vectors.' % len(embeddings_index))  ​      # 构建嵌入矩阵      embedding_dim = 100      embedding_matrix = np.zeros((max_words, embedding_dim))      for word, i in word_index.items():          if i < max_words:              embedding_vector = embeddings_index.get(word)              if embedding_vector is not None:                  embedding_matrix[i] = embedding_vector  ​      # 构建模型      model = Sequential()      model.add(Embedding(max_words, embedding_dim, input_length=maxlen))      model.add(Flatten())      model.add(Dense(32, activation='relu'))      model.add(Dense(1, activation='sigmoid'))      model.summary()  ​      # 将 GloVe 加载到 Embedding 层，且将其设置为不可训练      model.layers[0].set_weights([embedding_matrix])      model.layers[0].trainable = False  ​      # 训练模型      model.compile(optimizer='rmsprop',                    loss='binary_crossentropy',                    metrics=['acc'])      history = model.fit(x_train, y_train,                          epochs=10,                          batch_size=32,                          validation_data=(x_val, y_val))      model.save_weights('pre_trained_glove_model.h5')  ​      # 画图      acc = history.history['acc']      val_acc = history.history['val_acc']      loss = history.history['loss']      val_loss = history.history['val_loss']      epochs = range(1, len(acc) + 1)      plt.plot(epochs, acc, 'bo', label='Training acc')      plt.plot(epochs, val_acc, 'b', label='Validation acc')      plt.title('Training and validation accuracy')      plt.legend()      plt.show()  ​      plt.figure()      plt.plot(epochs, loss, 'bo', label='Training loss')      plt.plot(epochs, val_loss, 'b', label='Validation loss')      plt.title('Training and validation loss')      plt.legend()      plt.show()  ​  ​  if __name__ == "__main__":      time_start = time.time()      deal()      time_end = time.time()      print('Time Used: ', time_end - time_start)

本文首发自公众号：RAIS