如何处理原始文本数据（CNN情感分析yoom例子二）

今天来解读的代码还是基于CNN来实现文本分类，这个问题很重要的一步是原始数据的读取和预处理，详细代码参看 

return [x_text, y]意思是返回两个内容，不是一个列表

(1) load data and labels 
实验用到的数据是烂番茄上的moview reviews，先看看提供的数据长什么样 
sorry, 图片缺失 
可以看到，每一行是一条review，数据进行过初步的处理，但是类似于”doesn’t/it’s”这种并没有进行分割。后面会讲到这个问题。

def load_data_and_labels():
    """
    Loads MR polarity data from files, splits the data into words and generates labels.
    Returns split sentences and labels.
    """
    # Load data from files
    positive_examples = list(open("./data/rt-polaritydata/rt-polarity.pos", "r").readlines())
    positive_examples = [s.strip() for s in positive_examples]
    negative_examples = list(open("./data/rt-polaritydata/rt-polarity.neg", "r").readlines())
    negative_examples = [s.strip() for s in negative_examples]
    # Split by words
    x_text = positive_examples + negative_examples
    x_text = [clean_str(sent) for sent in x_text]
    x_text = [s.split(" ") for s in x_text]
    # Generate labels
    positive_labels = [[0, 1] for _ in positive_examples]
    negative_labels = [[1, 0] for _ in negative_examples]
    y = np.concatenate([positive_labels, negative_labels], 0)
    return [x_text, y]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19

这个函数的作用是从文件中加载positive和negative数据，将它们组合在一起，并对每个句子都进行分词，因此x_text是一个二维列表，存储了每个review的每个word；它们对应的labels也组合在一起，由于labels实际对应的是二分类输出层的两个神经元，因此用one-hot编码成0/1和1/0，然后返回y。 
其中，f.readlines()的返回值就是一个list，每个元素都是一行文本（str类型，结尾带有”\n”），因此其实不需要在外层再转换成list() 
用s.strip()函数去掉每个sentence结尾的换行符和空白符。 
去除了换行符之后，由于刚才提到的问题，每个sentence还需要做一些操作（具体在clean_str()函数中），将标点符号和缩写等都分割开来。英文str最简洁的分词方式就是按空格split，因此我们只需要将各个需要分割的部位都加上空格，然后对整个str调用split(“ “)函数即可完成分词。 
labels的生成也类似。

(2) padding sentence

def pad_sentences(sentences, padding_word=""):
    """
    Pads all sentences to the same length. The length is defined by the longest sentence.
    Returns padded sentences.
    """
    sequence_length = max(len(x) for x in sentences)
    padded_sentences = []
    for i in range(len(sentences)):
        sentence = sentences[i]
        num_padding = sequence_length - len(sentence)
        new_sentence = sentence + [padding_word] * num_padding
        padded_sentences.append(new_sentence)
    return padded_sentences

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

为什么要对sentence进行padding？ 
因为TextCNN模型中的input_x对应的是tf.placeholder，是一个tensor，shape已经固定好了，比如[batch, sequence_len]，就不可能对tensor的每一行都有不同的长度，因此需要找到整个dataset中最长的sentence的长度，然后在不足长度的句子的末尾加上padding words，以保证input sentence的长度一致。

由于在load_data函数中，得到的是一个二维列表来存储每个sentence数据，因此padding_sentences之后，仍以这样的形式返回。只不过每个句子列表的末尾可能添加了padding word。

(3) build vocabulary

def build_vocab(sentences):
    """
    Builds a vocabulary mapping from word to index based on the sentences.
    Returns vocabulary mapping and inverse vocabulary mapping.
    """
    # Build vocabulary
    word_counts = Counter(itertools.chain(*sentences))
    # Mapping from index to word
    vocabulary_inv = [x[0] for x in word_counts.most_common()]
    vocabulary_inv = list(sorted(vocabulary_inv))
    # Mapping from word to index
    vocabulary = {x: i for i, x in enumerate(vocabulary_inv)}
    return [vocabulary, vocabulary_inv]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13

我们知道，collections模块中的Counter可以实现词频的统计，例如：

from collections import Counter
import collections
sentence = ["i", "love", "mom", "mom","mom","me","loves", "me"]
word_counts=collections.Counter(sentence)
print word_counts
print word_counts.most_common() 
vocabulary_inv = [x[0] for x in word_counts.most_common()]
print vocabulary_inv
vocabulary_inv = list(sorted(vocabulary_inv))
print vocabulary_inv
vocabulary = {x: i for i, x in enumerate(vocabulary_inv)}
print vocabulary
print vocabulary_inv
print [vocabulary,vocabulary_inv]
Counter({'mom': 3, 'me': 2, 'i': 1, 'love': 1, 'loves': 1})
[('mom', 3), ('me', 2), ('i', 1), ('love', 1), ('loves', 1)]
['mom', 'me', 'i', 'love', 'loves']
['i', 'love', 'loves', 'me', 'mom']
{'i': 0, 'me': 3, 'love': 1, 'mom': 4, 'loves': 2}
['i', 'love', 'loves', 'me', 'mom']
[{'i': 0, 'me': 3, 'love': 1, 'mom': 4, 'loves': 2}, ['i', 'love', 'loves', 'me', 'mom']]

• 1
• 2
• 3
• 4

• 1
• 2
• 3
• 4

Counter接受的参数是iterable，但是现在有多个句子列表，如何将多个sentence word list中的所有word由一个高效的迭代器生成呢？ 
这就用到了itertools.chain(*iterables)，具体用法参考这里

将多个迭代器作为参数, 但只返回单个迭代器, 它产生所有参数迭代器的内容, 就好像他们是来自于一个单一的序列.

由此可以得到整个数据集上的词频统计，word_counts。 
但是要建立字典vocabulary，就需要从word_counts中提取出每个pair的第一个元素也就是word（相当于Counter在这里做了一个去重的工作），不需要根据词频建立vocabulary，而是根据word的字典序，所以对vocabulary进行一个sorted，就得到了字典顺序的word list。首字母小的排在前面。 （例子中是根据词频的）
再建立一个dict，存储每个word对应的index，也就是vocabulary变量。

(4) build input data

def build_input_data(sentences, labels, vocabulary):
    """
    Maps sentencs and labels to vectors based on a vocabulary.
    """
    x = np.array([[vocabulary[word] for word in sentence] for sentence in sentences])
    y = np.array(labels)
    return [x, y]

• 1
• 2
• 3
• 4
• 5
• 6
• 7

• 1
• 2
• 3
• 4
• 5
• 6
• 7

由上面两个函数我们得到了所有sentences分词后的二维列表，sentences对应的labels，还有查询每个word对应index的vocabulary字典。 
但是！！想一想，当前的sentences中存储的是一个个word字符串，数据量大时很占内存，因此，最好存储word对应的index，index是int，占用空间就小了。 
因此就利用到刚生成的vocabulary，对sentences的二维列表中每个word进行查询，生成一个word index构成的二维列表。最后将这个二维列表转化成numpy中的二维array。 
对应的lables因为已经是0,1的二维列表了，直接可以转成array。 
转成array后，就能直接作为cnn的input和labels使用了。

(5) load data

def load_data():
    """
    Loads and preprocessed data for the MR dataset.
    Returns input vectors, labels, vocabulary, and inverse vocabulary.
    """
    # Load and preprocess data
    sentences, labels = load_data_and_labels()
    sentences_padded = pad_sentences(sentences)
    vocabulary, vocabulary_inv = build_vocab(sentences_padded)
    x, y = build_input_data(sentences_padded, labels, vocabulary)
    return [x, y, vocabulary, vocabulary_inv]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

最后整合上面的各部分处理函数，

1.首先从文本文件中加载原始数据，一开始以sentence形式暂存在list中，然后对每个sentence进行clean_str，并且分词，得到word为基本单位的二维列表sentences，labels对应[0,1]和[1,0] 
2.找到sentence的最大长度，对于长度不足的句子进行padding 
3.根据数据建立词汇表，按照字典序返回，且得到每个word对应的index。 
4.将str类型的二维列表sentences，转成以int为类型的sentences，并返回二维的numpy array作为模型的input和labels供后续使用。 
(6) generate batch

def batch_iter(data, batch_size, num_epochs, shuffle=True):
    """
    Generates a batch iterator for a dataset.
    """
    data = np.array(data)
    data_size = len(data)
    num_batches_per_epoch = int(len(data)/batch_size) + 1
    for epoch in range(num_epochs):
        # Shuffle the data at each epoch
        if shuffle:
            shuffle_indices = np.random.permutation(np.arange(data_size))
            shuffled_data = data[shuffle_indices]
        else:
            shuffled_data = data
        for batch_num in range(num_batches_per_epoch):
            start_index = batch_num * batch_size
            end_index = min((batch_num + 1) * batch_size, data_size)
            yield shuffled_data[start_index:end_index]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

这个函数的作用是在整个训练时，定义一个batches = batch_iter(…)，整个训练过程中就只需要for循环这个batches即可对每一个batch数据进行操作了。

batches=batch_iter(...)

for batch in batches:

处理batch

Yield

Yield的用法有点像return,除了它返回的是一个生成器，例如：

>>> def createGenerator():
...    mylist = range(3)
...    for i in mylist:
...        yield i*i
...
>>> mygenerator = createGenerator() # create a generator
>>> print(mygenerator) # mygenerator is an object!

>>> for i in mygenerator:
...     print(i)
0
1
4

上面的例子几乎非常积累，但是它很好的阐释了yield的用法，我们可以知道createGenerator()生成的是一个生成器。

为了掌握yield的精髓，你一定要理解它的要点：当你调用这个函数的时候，你写在这个函数中的代码并没有真正的运行。这个函数仅仅只是返回一个生成器对象。有点过于奇技淫巧:-)

然后，你的代码会在每次for使用生成器的时候run起来。

现在是解释最难的地方：

当你的for第一次调用函数的时候，它生成一个生成器，并且在你的函数中运行该循环，知道它生成第一个值。然后每次调用都会运行循环并且返回下一个值，知道没有值返回为止。该生成器背认为是空的一旦该函数运行但是不再刀刀yield。之所以如此是因为该循环已经到达终点，或者是因为你再也不满足“if/else”的条件。