使用transformer bert模型进行Twitter数据多维度情感分类

一、背景介绍

        实验室抓取了数百万条外网评论，主要以脸书和推特为主，其中有一个环节需要分析评论情感，并且尽可能做到情感细分，而不是积极、消极、中性的简单分类。

        考虑到快速开箱即用的需求，模型尽量不要太复杂，预训练模型直接跑，看下结果如何再考虑下游fine tune当然是不二之选。但是还需要注重准确性，早期的模型或者传统机器学习工具包不够高大上，那还说啥，上bert。

        实验室其他同学已经将十多种语言的评论翻成了英语，并且翻译质量较高，直接选取英文预训练的分析模型，roberta太大，选取蒸馏过的distilroberta较为合适。

大致流程：数据清洗 ——> 调包 ——> 生成结果 ——> 分析效果

二、代码部分

        2.1 数据介绍

        这是大致的数据格式，最后一列是翻译后的结果，我们主要以这一列作为分析目标，最后结果还需要添加原有的三度情感分析进行比较。

        数据主要是北京冬奥会相关推文评论与转发内容。

         2.2 数据预处理

import pandas as pd
import numpy as np
import re
import emoji
import collections
from transformers import pipeline

         2.2.1初始化分类器

classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base")

初次运行会自动连网下载，有同学可能因为网络问题下载失败，我个人有两个方式：

1：huggingface其实没有被墙，一般而言不用挂梯子，dns污染的可能性比较大，可以尝试修改host为指定ip

2：手动下载并指定路径，可以搜一下指定路径的方式，这里不多赘述

         2.2.2 读取数据

data = pd.read_csv('Untitled.csv')
pd.set_option('display.max_colwidth',200)  # 设置notebook中展示宽度

        2.2.3 剔除空值 

         给我的数据是20000整，做个demo看看效果，但在这里有一个大坑，translation_sentence数据有时是空的，这20000条中有9条为NAN，在数据清洗时总是报奇怪的错误，花费了不少时间debug。

# translation_sentence存在空数据 
# 剔除nan数据，否则报错
nan_list = [index for index,i in enumerate(data['translation_sentence']) if type(i)!=type(' ') ]
data = data.drop(nan_list, axis=0)

# 展示处理后的前二十条数据
data['translation_sentence'][:20]

         可以看到评论中存在网址、@用户、表情等脏数据，后续其实还有特殊符号、部分中文、韩文、日文等其他语言，数据清洗时需要剔除。

         2.3 数据清洗

# 数据清洗
def sentence_remove(tweet):
    
    # 为了直观展示，这里分步处理，实际使用过程中建议合并
    r = "[_.!+-=——,$%^，。？、~@#￥%……&*《》<>「」“”‘’（）{}【】□‡()/／\\\[\]\"]"
    tweet = emoji.replace_emoji(tweet, replace=' ')                    # 删除emoji
    tweet = re.sub(r'[http|https]*://[a-zA-Z0-9.?/&=:]*', ' ', tweet)  # 删除网址
    tweet = re.sub(r'@\S+', ' ', tweet)                                # 删除 @用户 
    tweet = re.sub(r, ' ', tweet)                                      # 删除特殊符号
    tweet = re.sub(r'\s+', ' ', tweet)                                 # 删除多余空格换行符
    
    # 删除 中日韩 三语
    tweet = re.sub('[\u4e00-\u9fa5\uac00-\ud7ff\u3040-\u309f\u30a0-\u30ff]', '', tweet)
    
    
    return tweet

translation_sentence= data['translation_sentence'].apply(sentence_remove).tolist()

        清洗完毕后转换为python的list格式，方便传入分类器进行分类

translation_sentence[:20]

         看一眼清洗后的数据，其实还可以设置部分停用词，但是这里时间原因暂未考虑，有余力的小伙伴可以试试效果如何。

         2.4 情感分类

# 数据清洗后的句子传入分类器
results=classifier(translation_sentence)

# 提取结果中的情感标签
bert_sentiment=[i['label'] for i in results]

        其中results长这样，我们还可以再classifier中设置返回全部评分结果，获取多个可能的情感值

         2.5 生成结果

         我们评估的结果文档需要包含以下四部分内容：

# 未进行清洗的评论
raw_sentence= data['translation_sentence'].tolist()

# translation_sentence  清洗后的评论

# 其他方式得到的三度情感判别
ori_sentiment= data['sentiment'].tolist()

# bert_sentiment   采用该模型得到的情感标签

         设置生成文档的格式及内容

# 表头名称
head = ['raw_sentence', 'processed_en_sentence','ori_sentiment','bert_sentiment']

# 详细数据
Data = [raw_sentence,translation_sentence,ori_sentiment,bert_sentiment]

        整合并保存 

Data = np.transpose(Data)                                                #数据行列互换
test = pd.DataFrame(columns=head, data=Data)      
test.to_csv('distilroberta_sentiment_20000.csv')                         #将列表中的数据输出

三、最终结果

         大概观察了一下，除了fear标签，其余标签的分类结果比原结果要好很多，某些评论会被标记为fear的原因个人认为有两个：

1、XX与XX即将进行比赛、竞争类型的评论，会被划定为fear，可能是取的担忧的意思，而不是“恐惧害怕”。

2、因为数据集的倾向性明显，主题围绕冬奥会赛事，但是模型是根据日常语料进行训练的，泛化性再强也会出现偏差。例如“比赛”、“竞争”之类的话语归结为担忧的情况，可以通过下游训练改善。

四、代码及数据集

        老规矩，全部打包放在这里啦，对大家有帮助还请多多点赞收藏关注，日后还会更新更多的小demo及其他分享哦

链接：https://pan.baidu.com/s/1PTOKAU3bW9qAan6N58i3nw 
提取码：8cef