基于Roberta进行微博情感分析
概览：
情感分析是NLP中一大分支，本文尝试使用预训练模型（Roberta-wwm-ext）对微博通用数据进行情感分类，共六种类别（积极、愤怒、悲伤、恐惧、惊奇、无情绪）。数据来源：SMP2020微博情绪分类评测
该评测任务中涉及通用数据和疫情数据，本文只使用通用数据。
本文着重展示利用预训练模型在torch环境下进行情感分析的pipeline，弱化提升模型本身精度的探索。
数据介绍：
训练集：27,768条；测试集：5,000条
下载链接 提取码：q2f8
数据格式如下图：id是编号；content为文本内容；label是情绪
模型训练：
本文基于HuggingFace开源的Transformers（Torch版本）实现。
主要库版本：Transformers == 2.2.2 torch == 1.5.0
（1）加载预训练模型（模型：RoBERTa-wwm-ext，下载链接 提取码：369y）
class Model(nn.Module):
def __init__(self, num_classes):
super(Model, self).__init__()
self.bert = BertModel.from_pretrained('chinese_wwm_ext_pytorch') # /roberta-wwm-ext pretrain/
for param in self.bert.parameters():
param.requires_grad = True # 所有参数求梯度
self.fc = nn.Linear(768, num_classes) # 768 -> 6
def forward(self, x, token_type_ids, attention_mask):
context = x # 输入的句子
types = token_type_ids
mask = attention_mask # 对padding部分进行mask，和句子相同size，padding部分用0表示，如：[1, 1, 1, 1, 0, 0]
_, pooled = self.bert(context, token_type_ids=types, attention_mask=mask)
out = self.fc(pooled) # 得到6分类概率
return out
# 加载模型
MODEL1 = Model(num_classes=6) # 指定分类类别注意：这里需要额外定义一个Model类对BertModel基类的输出进行处理。原因是原始基类返回的是CLS的hidden向量经过一层dense和activation后得到的向量（本文中使用的维度是768），因此还需要一个全连接层转换成每个分类的输出（本文类别数num_classes=6）
（2）构造训练数据和测试数据
Roberta-wwm-ext模型共需要传入三类向量，一是要分类的文本本身的token；二是表征token type的向量，用来表征该位置的文本token是否是PAD产生，非PAD记为0，PAD记为1；三是表示mask标志的向量，PAD位置的mask标记为0，否则为1。关于这三类向量的概念和意义不在本文中展开讨论，请自行检索相关资料。
构造三类向量
# 数据进行token化处理, seq_length表示接受的句子最大长度
def convert_text_to_token(tokenizer, sentence, seq_length):
tokens = tokenizer.tokenize(sentence) # 句子转换成token
tokens = ["[CLS]"] + tokens + ["[SEP]"] # token前后分别加上[CLS]和[SEP]
# 生成 input_id, seg_id, att_mask
ids1 = tokenizer.convert_tokens_to_ids(tokens)
types = [0] * len(ids1)
masks = [1] * len(ids1)
# 句子长度统一化处理：截断或补全至seq_length
if len(ids1) < seq_length: #补全
ids = ids1 + [0] * (seq_length - len(ids1)) #[0]是因为词表中PAD的索引是0
types = types + [1] * (seq_length - len(ids1)) # [1]表明该部分为PAD
masks = masks + [0] * (seq_length - len(ids1)) # PAD部分，attention mask置为[0]
else: # 截断
ids = ids1[:seq_length]
types = types[:seq_length]
masks = masks[:seq_length]
assert len(ids) == len(types) == len(masks)
return ids, types, masks
TOKENIZER = BertTokenizer.from_pretrained("chinese_wwm_ext_pytorch") #模型[roberta-wwm-ext]所在的目录名称注意：（1）这里的Tokenizer使用BertTokenizer，切勿使用RobertaTokenizer（2）seq_length表示构造的训练数据的长度，长则截断，短则补齐。本文中seq_length = 128
构造训练集和测试集的DataLoader
# 构造训练集和测试集的DataLoader
def genDataLoader(is_train):
if is_train: # 构造训练集
path = TRAIN_DATA_PATH
else: # 构造测试集
path = TEST_DATA_PATH
with open(path, encoding='utf8') as f:
data = json.load(f)
ids_pool = []
types_pool = []
masks_pool = []
target_pool = []
count = 0
# 遍历构造每条数据
for each in data:
cur_ids, cur_type, cur_mask = convert_text_to_token(TOKENIZER, each['content'], seq_length = SEQ_LENGTH)
ids_pool.append(cur_ids)
types_pool.append(cur_type)
masks_pool.append(cur_mask)
cur_target = LABEL_DICT[each['label']]
target_pool.append([cur_target])
count += 1
if count % 1000 == 0:
print('已处理{}条'.format(count))
# break
# 构造loader
data_gen = TensorDataset(torch.LongTensor(np.array(ids_pool)),
torch.LongTensor(np.array(types_pool)),
torch.LongTensor(np.array(masks_pool)),
torch.LongTensor(np.array(target_pool)))
# print('shit')
sampler = RandomSampler(data_gen)
loader = DataLoader(data_gen, sampler=sampler, batch_size=BATCH_SIZE)
return loader构造DataLoader是为了训练时能够小批量训练，即每次只feed batch_size个数据
（3）训练
机器配置：两张V100
batch_size：8
可以看到一个epoch耗时大概6min，这里我只训练了3个epoch
注意：训练时每个epoch完成后需要验证一下结果，保存最佳模型，验证代码如下
def test(model, device, test_loader): # 测试模型, 得到测试集评估结果
model.eval()
test_loss = 0.0
acc = 0
for (x1, x2, x3, y) in tqdm(test_loader):
x1, x2, x3, y = x1.to(device), x2.to(device), x3.to(device), y.to(device)
with torch.no_grad():
y_ = model(x1, token_type_ids=x2, attention_mask=x3)
test_loss += F.cross_entropy(y_, y.squeeze())
pred = y_.max(-1, keepdim=True)[1] # .max(): 2输出，分别为最大值和最大值的index
acc += pred.eq(y.view_as(pred)).sum().item() # 记得加item()
test_loss /= len(test_loader)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.2f}%)'.format(
test_loss, acc, len(test_loader.dataset),
100. * acc / len(test_loader.dataset)))
return acc / len(test_loader.dataset)（4）测试
训练完后进行效果测试，测试代码如下
def test(model):
with open('data/usual_test_labeled.txt', encoding='utf8') as f:
data = json.load(f)
res = []
correct = 0
count = 0
for each in data:
cur_sentence = each['content']
cur_label = each['label']
ids = []
types = []
masks = []
cur_ids, cur_type, cur_mask = convert_text_to_token(TOKENIZER, each['content'], seq_length=SEQ_LENGTH)
ids.append(cur_ids)
types.append(cur_type)
masks.append(cur_mask)
cur_ids, cur_type, cur_mask = torch.LongTensor(np.array(ids)).to(DEVICE), torch.LongTensor(np.array(types)).to(DEVICE), torch.LongTensor(np.array(masks)).to(DEVICE) # 数据构造成tensor形式
with torch.no_grad():
y_ = model(cur_ids, token_type_ids=cur_type, attention_mask=cur_mask)
pred = y_.max(-1, keepdim=True)[1] # 取最大值
cur_pre = LABEL_DICT[int(pred[0][0].cuda().data.cpu().numpy())] # 预测的情绪
if cur_label == cur_pre:
correct += 1
cur_res = cur_sentence + '\t' + cur_label + '\t' + cur_pre
res.append(cur_res)
count += 1
if count % 1000 == 0:
print('已处理{}条'.format(count))
accu = correct / len(data)
print('accu是{}'.format(accu))
with open('test_result.txt', 'w', encoding='utf8') as f:
for each in res:
f.write(each+'\n')注意：测试时需要先加载原始roberta-wwm-ext模型，然后使用load_state_dict方法读入训练3个epoch后的模型参数。
测试结果演示
计算后，总体精度为78.02%，这里展示20条测试结果。第一列为待测试内容，第二列是真实的情感标签，第三列是模型预测的情感标签。初步认为这个可以当做一个base模型了。
写在后面：
（1）个人认为HuggingFace开源的Transformers比较成功，作为一个初创公司，值得国内同行学习
（2）完整代码 提取码：lncz
使用方法：
训练： python train.py
测试：python testCase.py
参考文献
（1）https://luxuantao.github.io/2020/07/13/BERT%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB/https://luxuantao.github.io/2020/07/13/BERT%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB/
（2）https://github.com/ymcui/Chinese-BERT-wwm