基于tensorflow、CNN、清华数据集THUCNews的新浪新闻文本分类
2018年10月14日笔记
tensorflow是谷歌google的深度学习框架，tensor中文叫做张量，flow叫做流。
CNN是convolutional neural network的简称，中文叫做卷积神经网络。
文本分类是NLP（自然语言处理）的经典任务。
项目成果如下图所示：
清华论文使用技术：bigram特征选取、Chi-square特征降维、tfidf权重计算、LibSVM模型，
2016年论文，链接： http://nlp.csai.tsinghua.edu.cn/site2/index.php/zh/codes/242-thuctc
我使用技术：word-embedding、CNN
使用CNN做文本分类比传统机器学习方法提高precision值0.05，F1score值0.08
因为CNN不需要分词，训练tfidf模型，程序运行时间节省10倍以上。
0.编程环境
操作系统：Win10
python版本：3.6
集成开发环境：jupyter notebook
tensorflow版本：1.6
1.致谢声明
本文是作者学习《使用卷积神经网络以及循环神经网络进行中文文本分类》的成果，感激前辈；
github链接：https://github.com/gaussic/text-classification-cnn-rnn
2.配置环境
使用卷积神经网络模型要求有较高的机器配置，如果使用CPU版tensorflow会花费大量时间。
读者在有nvidia显卡的情况下，安装GPU版tensorflow会提高计算速度50倍。
安装教程链接：https://blog.csdn.net/qq_36556893/article/details/79433298
如果没有nvidia显卡，但有visa信用卡，请阅读我的另一篇文章《在谷歌云服务器上搭建深度学习平台》，链接：https://www.jianshu.com/p/893d622d1b5a
3.下载并解压数据集
两种下载方式效果相同：
1.官方数据集下载链接: http://thuctc.thunlp.org/message
2.百度云盘下载链接: https://pan.baidu.com/s/1OC2uMoVHAWtX4mfOv6urCg 提取码: qphu
数据集大小：1.45GB
样本数量：80多万
数据集详情链接：http://thuctc.thunlp.org
压缩文件THUCNews.zip选择解压到当前文件夹，如下图所示。
使用BandZip解压需要大约 25分钟；
使用7zip解压需要大约 50分钟；
使用WinRAR解压需要大约 100分钟。
所以推荐读者下载并安装BandZip解压软件，下载链接： http://www.bandisoft.com/bandizip/
进入下载页面后，下载按钮如下图所示：
压缩文件夹 THUCNews中有14个文件夹，如下图所示：
14个新闻类别中打开 财经文件夹，如下图所示：
从上面的图中可以看出，每个类别文件夹中有若干文本文件，每个文本文件中内容表示1篇新闻。
4.获取数据
4.1 获取文本文件路径
import os
def getFilePathList(rootDir):
filePath_list = []
for walk in os.walk(rootDir):
part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
filePath_list.extend(part_filePath_list)
return filePath_list
filePath_list = getFilePathList('THUCNews')
len(filePath_list)
上面一段代码的运行结果如下：
836062
从上面的运行结果可以看出，文件路径列表中共有836062个元素，即在THUCNews文件夹中总共有836062个文本文件。
4.2 获取所有样本标签
Windows和Linux系统路径字符串的间隔符有区别，本文作者是Windows系统。
label_list = []
for filePath in filePath_list:
label = filePath.split('\\')[1]
label_list.append(label)
len(label_list)
上面一段代码的运行结果如下：
836062
所有样本标签的值汇总成一个列表，赋值给标签列表label_list。
从上面的运行结果可以看出，标签列表中共有836062个元素。
4.3 标签统计计数
import pandas as pd
pd.value_counts(label_list)
上面一段代码的运行结果如下图所示：
4.4 调用pickle库保存label_list
import pickle
with open('label_list.pickle', 'wb') as file:
pickle.dump(label_list, file)
4.5 获取所有样本内容、保存content_list
import time
import pickle
import re
def getFile(filePath):
with open(filePath, encoding='utf8') as file:
fileStr = ''.join(file.readlines(1000))
return fileStr
interval = 20000
n_samples = len(label_list)
startTime = time.time()
directory_name = 'content_list'
if not os.path.isdir(directory_name):
os.mkdir(directory_name)
for i in range(0, n_samples, interval):
startIndex = i
endIndex = i + interval
content_list = []
print('%06d-%06d start' %(startIndex, endIndex))
for filePath in filePath_list[startIndex:endIndex]:
fileStr = getFile(filePath)
content = re.sub('\s+', ' ', fileStr)
content_list.append(content)
save_fileName = directory_name + '/%06d-%06d.pickle' %(startIndex, endIndex)
with open(save_fileName, 'wb') as file:
pickle.dump(content_list, file)
used_time = time.time() - startTime
print('%06d-%06d used time: %.2f seconds' %(startIndex, endIndex, used_time))
pickle库的dump方法可以将python中对象持久化为二进制文件，二进制文件的加载速度非常快。
避免内存溢出，每读取一定数量的文件就利用pickle库的dump方法保存。
因为有80多万个文本文件，读取时间较长。
本文作者使用的是固态硬盘，所以读取速度可以达到170M/s左右，如果是机械硬盘，可能只有80M/s左右。
上面一段代码的运行结果如下，为了节省篇幅，只显示前10行。
下面是读取前10万个文件的 提示信息，总共花费 64秒。
读取总共80万个文件，本文作者花费时间 600秒。
000000-020000 start
000000-020000 used time: 8.50 seconds
020000-040000 start
020000-040000 used time: 20.80 seconds
040000-060000 start
040000-060000 used time: 35.67 seconds
060000-080000 start
060000-080000 used time: 50.78 seconds
080000-100000 start
080000-100000 used time: 65.15 seconds
5.加载数据
本文前面的第3章下载并解压数据集、第4章获取数据记录了拿到原始数据的处理过程。
处理过程比较耗费时间，本文作者将前2章的处理结果上传到网盘中，即给读者提供复现此项目的捷径。
百度云盘下载链接: https://pan.baidu.com/s/1BB4LFt71MK0XQ24lMTTQxg 提取码: k9hy
pickle格式文件是二进制文件，加载速度是文本文件的50倍以上。
压缩文件清华新闻分类已处理数据.zip，解压时选择解压到当前文件夹。
请务必确保content_list文件夹、label_list文件、代码文件这3者处于相同路径，代码才能运行成功。
import time
import pickle
import os
def getFilePathList(rootDir):
filePath_list = []
for walk in os.walk(rootDir):
part_filePath_list = [os.path.join(walk[0], file) for file in walk[2]]
filePath_list.extend(part_filePath_list)
return filePath_list
startTime = time.time()
contentListPath_list = getFilePathList('content_list')
content_list = []
for filePath in contentListPath_list:
with open(filePath, 'rb') as file:
part_content_list = pickle.load(file)
content_list.extend(part_content_list)
with open('label_list.pickle', 'rb') as file:
label_list = pickle.load(file)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
sample_size = len(content_list)
print('length of content_list，mean sample size: %d' %sample_size)
上面一段代码的运行结果如下：
used time: 8.36 seconds
length of content_list，mean sample size: 836062
6.词汇表
6.1 制作词汇表
内容列表content_list中的元素是每篇文章内容，数据类型为字符串。
对所有文章内容中的字做统计计数，出现次数排名前10000的字赋值给变量vocabulary_list。
from collections import Counter
def getVocabularyList(content_list, vocabulary_size):
allContent_str = ''.join(content_list)
counter = Counter(allContent_str)
vocabulary_list = [k[0] for k in counter.most_common(vocabulary_size)]
return ['PAD'] + vocabulary_list
startTime = time.time()
vocabulary_list = getVocabularyList(content_list, 10000)
used_time = time.time() - startTime
print('used time: %.2f seconds' %used_time)
上面一段代码的运行结果如下：
used time: 97.52 seconds
6.2 保存词汇表
import pickle
with open('vocabulary_list.pickle', 'wb') as file:
pickle.dump(vocabulary_list, file)
6.3 加载词汇表
每次制作词汇表都得花费90秒，即1.5分钟左右。
完成制作词汇表后，将其保存，之后再运行代码则直接加载保存的词汇表，节省了复制作词汇表花费的时间。
import pickle
with open('vocabulary_list.pickle', 'rb') as file:
vocabulary_list = pickle.load(file)
7.数据准备
读者阅读下文中的行数时，可以先把代码复制到jupyter notebook的代码块中。
在代码块中按Esc键，进入命令模式，代码块左边的竖线会显示蓝色，如下图所示：
在命令模式下，点击 L键，会显示代码行数。
推荐博客《Text-CNN 文本分类》从模型原理上辅助理解，链接： https://blog.csdn.net/chuchus/article/details/77847476
第1行代码导入time库;
第2行代码记录本段代码运行开始时间，赋值给变量startTime;
第3行代码导入sklearn.model_selection库的train_test_split方法；
第4行代码导入调用sklearn.model_selection库的train_test_split方法划分训练集、测试集；
第5-8行代码获取 训练集文本内容列表train_content_list， 训练集标签列表train_label_list， 测试集文本内容列表test_content_list， 测试集标签列表test_label_list。
第9-10行代码打印提示信息，表示程序运行至此步花费时间；
第11-19行代码设置模型的 9个超参数；
第20行代码使用列表推导式得到词汇及其id对应的列表，并调用dict方法将列表 强制转换为字典。
打印变量word2id_dict的前5项，如下图所示：
第21行代码使用列表推导式和 匿名函数定义函数content2idlist，函数作用是将文章中的每个字转换为id；
第22行代码使用列表推导式得到的结果是 列表的列表，总列表train_idlist_list中的元素是每篇文章中的字对应的id列表；
第23-24行代码打印提示信息，表示程序运行至此步花费时间；
第25行导入numpy库，取别名np；
第26行获取标签的类别数量，例如本文类别数量为14，即变量num_classes的值为14；
第27-32这6行代码获得能够用于模型训练的 特征矩阵和 预测目标值；
第27行代码导入tensorflow.contrib.keras库，取别名kr；
第28行代码将每个样本统一长度为seq_length，即600；
第29行代码导入sklearn.preprocessing库的labelEncoder方法；
第30行代码实例化LabelEncoder对象；
第31行代码调用LabelEncoder对象的fit_transform方法做标签编码；
第32行代码调用keras.untils库的to_categorical方法将标签编码的结果再做Ont-Hot编码。
第33行代码导入tensorflow库，取别名tf；
第34行代码重置tensorflow图，加强代码的健壮性；
第35-36行代码中placeholder中文叫做占位符，将每次训练的特征矩阵X和预测目标值Y赋值给变量X_holder和Y_holder。
第37-38行代码打印提示信息，表示程序运行至此步花费时间；
import time
startTime = time.time()
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(content_list, label_list)
train_content_list = train_X
train_label_list = train_y
test_content_list = test_X
test_label_list = test_y
used_time = time.time() - startTime
print('train_test_split used time : %.2f seconds' %used_time)
vocabulary_size = 10000 # 词汇表达小
sequence_length = 600 # 序列长度
embedding_size = 64 # 词向量维度
num_filters = 256 # 卷积核数目
filter_size = 5 # 卷积核尺寸
num_fc_units = 128 # 全连接层神经元
dropout_keep_probability = 0.5 # dropout保留比例
learning_rate = 1e-3 # 学习率
batch_size = 64 # 每批训练大小
word2id_dict = dict([(b, a) for a, b in enumerate(vocabulary_list)])
content2idList = lambda content : [word2id_dict[word] for word in content if word in word2id_dict]
train_idlist_list = [content2idList(content) for content in train_content_list]
used_time = time.time() - startTime
print('content2idList used time : %.2f seconds' %used_time)
import numpy as np
num_classes = np.unique(label_list).shape[0]
import tensorflow.contrib.keras as kr
train_X = kr.preprocessing.sequence.pad_sequences(train_idlist_list, sequence_length)
from sklearn.preprocessing import LabelEncoder
labelEncoder = LabelEncoder()
train_y = labelEncoder.fit_transform(train_label_list)
train_Y = kr.utils.to_categorical(train_y, num_classes)
import tensorflow as tf
tf.reset_default_graph()
X_holder = tf.placeholder(tf.int32, [None, sequence_length])
Y_holder = tf.placeholder(tf.float32, [None, num_classes])
used_time = time.time() - startTime
print('data preparation used time : %.2f seconds' %used_time)
上面一段代码的运行结果如下：
train_test_split used time : 0.61 seconds
content2idList used time : 121.08 seconds
data preparation used time : 175.48 seconds
代码进行到此步，python进程占用6个多G内存，如下图所示。
所以此项目需要较高的机器配置，如果读者的电脑内存不足可以通过下面2种方法解决：
1.购买内存条提高机器配置，本文作者建议使用此方式，省心省力。
2.将阶段性结果保存在本地，重启python，读取阶段性结果。
3.不一次性处理全部样本，样本分批处理好之后再汇总。
8.搭建神经网络
第1-2行代码调用tf库的get_variable方法实例化可以更新的模型参数embedding，矩阵形状为vocab_size*embedding_size，即5000*64；
第3-4行代码调用tf.nn库的embedding_lookup方法将输入数据做词嵌入，得到新变量embedding_inputs的形状为batch_size*sequence_length*embedding_size，即64*600*64；
理解word2vec原理，推荐阅读文章链接：https://www.jianshu.com/p/471d9bfbd72f
第5-7行代码调用tf.layers.conv1d方法，方法需要3个参数，第1个参数是输入数据，第2个参数是卷积核数量num_filters，第3个参数是卷积核大小filter_size。方法结果赋值给变量conv，形状为batch_size*596*num_filters，596是600-5+1的结果；
第8-9行代码调用tf.reduce_max方法对变量conv的第1个维度做求最大值操作。方法结果赋值给变量max_pooling，形状为batch_size*num_filters，即64*256；
第10-11行代码添加全连接层，tf.layers.dense方法结果赋值给变量full_connect，形状为batch_size*num_fc_units，即64*128；
第12-13行代码调用tf.contrib.layers.dropout方法，方法需要2个参数，第1个参数是输入数据，第2个参数是保留比例；
第14行代码调用tf.nn.relu方法，即激活函数；
第15-16行代码添加全连接层，tf.layers.dense方法结果赋值给变量softmax_before，形状为batch_size*num_classes，即64*14；
第17行代码调用tf.nn.softmax方法，方法结果是预测概率值；
第18-20行代码使用交叉熵作为损失函数；
第21行代码调用tf.train.AdamOptimizer方法定义优化器optimizer；
第22行代码调用优化器对象的minimize方法，即最小化损失；
第23-24行代码计算预测准确率；
embedding = tf.get_variable('embedding',
[vocabulary_size, embedding_size])
embedding_inputs = tf.nn.embedding_lookup(embedding,
X_holder)
conv = tf.layers.conv1d(embedding_inputs,
num_filters,
filter_size)
max_pooling = tf.reduce_max(conv,
[1])
full_connect = tf.layers.dense(max_pooling,
num_fc_units)
full_connect_dropout = tf.contrib.layers.dropout(full_connect,
keep_prob=dropout_keep_probability)
full_connect_activate = tf.nn.relu(full_connect_dropout)
softmax_before = tf.layers.dense(full_connect_activate,
num_classes)
predict_Y = tf.nn.softmax(softmax_before)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=Y_holder,
logits=softmax_before)
loss = tf.reduce_mean(cross_entropy)
optimizer = tf.train.AdamOptimizer(learning_rate)
train = optimizer.minimize(loss)
isCorrect = tf.equal(tf.argmax(Y_holder, 1), tf.argmax(predict_Y, 1))
accuracy = tf.reduce_mean(tf.cast(isCorrect, tf.float32))
9.参数初始化
对于神经网络模型，重要是其中的参数。
开始神经网络模型训练之前，需要做参数初始化。
第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。
第2行代码调用tf.Session方法实例化会话对象；
第3行代码调用tf.Session对象的run方法做变量初始化。
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)
10.模型训练
第1-4行代码获取测试集中的数据；
第5行代码导入random库；
第6行表示模型迭代训练20000次；
第7-9行代码从训练集中选取batch_size大小，即64个样本做批量梯度下降；
第10行代码每运行1次，表示模型训练1次；
第11行代码记录当前步数，赋值给变量step；
第12行代码表示每间隔100步打印；
第13-15行代码从测试集中随机选取200个样本；
第16行代码表示计算损失值loss_value、准确率accuracy_value；
第17行代码表示打印步数step、损失值loss_value、准确率accuracy_value。
test_idlist_list = [content2idList(content) for content in test_content_list]
test_X = kr.preprocessing.sequence.pad_sequences(test_idlist_list, sequence_length)
test_y = labelEncoder.transform(test_label_list)
test_Y = kr.utils.to_categorical(test_y, num_classes)
import random
for i in range(20000):
selected_index = random.sample(list(range(len(train_y))), k=batch_size)
batch_X = train_X[selected_index]
batch_Y = train_Y[selected_index]
session.run(train, {X_holder:batch_X, Y_holder:batch_Y})
step = i + 1
if step % 100 == 0:
selected_index = random.sample(list(range(len(test_y))), k=200)
batch_X = test_X[selected_index]
batch_Y = test_Y[selected_index]
loss_value, accuracy_value = session.run([loss, accuracy], {X_holder:batch_X, Y_holder:batch_Y})
print('step:%d loss:%.4f accuracy:%.4f' %(step, loss_value, accuracy_value))
上面一段代码的运行结果如下，为了节省文章篇幅，只打印前1000次迭代：
step:100 loss:1.5357 accuracy:0.4900
step:200 loss:1.0189 accuracy:0.7000
step:300 loss:0.7720 accuracy:0.7850
step:400 loss:0.6589 accuracy:0.8000
step:500 loss:0.4987 accuracy:0.8300
step:600 loss:0.5863 accuracy:0.8100
step:700 loss:0.5242 accuracy:0.8350
step:800 loss:0.3541 accuracy:0.9000
step:900 loss:0.5004 accuracy:0.8700
step:1000 loss:0.3152 accuracy:0.9050
代码进行到此步，python进程占用9个多G内存，如下图所示：
11.混淆矩阵
此段代码主要是调用sklearn.metrics库的confusion_matrix方法得出混淆矩阵。
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix
def predictAll(test_X, batch_size=100):
predict_value_list = []
for i in range(0, len(test_X), batch_size):
selected_X = test_X[i: i + batch_size]
predict_value = session.run(predict_Y, {X_holder:selected_X})
predict_value_list.extend(predict_value)
return np.array(predict_value_list)
Y = predictAll(test_X)
y = np.argmax(Y, axis=1)
predict_label_list = labelEncoder.inverse_transform(y)
pd.DataFrame(confusion_matrix(test_label_list, predict_label_list),
columns=labelEncoder.classes_,
index=labelEncoder.classes_ )
上面一段代码的运行结果如下图所示：
12.报告表
此段代码主要是调用sklearn.metrics库的precision_recall_fscore_support方法得出报告表。
import numpy as np
from sklearn.metrics import precision_recall_fscore_support
def eval_model(y_true, y_pred, labels):
# 计算每个分类的Precision, Recall, f1, support
p, r, f1, s = precision_recall_fscore_support(y_true, y_pred)
# 计算总体的平均Precision, Recall, f1, support
tot_p = np.average(p, weights=s)
tot_r = np.average(r, weights=s)
tot_f1 = np.average(f1, weights=s)
tot_s = np.sum(s)
res1 = pd.DataFrame({
u'Label': labels,
u'Precision': p,
u'Recall': r,
u'F1': f1,
u'Support': s
})
res2 = pd.DataFrame({
u'Label': ['总体'],
u'Precision': [tot_p],
u'Recall': [tot_r],
u'F1': [tot_f1],
u'Support': [tot_s]
})
res2.index = [999]
res = pd.concat([res1, res2])
return res[['Label', 'Precision', 'Recall', 'F1', 'Support']]
eval_model(test_label_list, predict_label_list, labelEncoder.classes_)
上面一段代码的运行结果如下图所示：
13.总结
1.本文是作者第8个NLP项目，数据共有80多万条。
2.分类模型的评估指标F1score为0.93左右，总体来说这个分类模型比较优秀，能够投入实际应用。
3.因为本项目工程量较大和运行时间较久，有较好的效果时，本文作者就抓紧记录，所以文章有很多不完善的地方。后续优化工作可以从解决样本不均衡问题开展，使用下采样或下采样方法。