NLP_自然语言处理项目(1)：文本情感分类（基于PyTorch）

1、中文文本情感分类

文本情感分类是一种自然语言处理技术，它旨在自动识别一段文本中表达的情感，并将其分类为正面、负面或中性等不同的情感类别。文本情感分类的应用十分广泛，例如在社交媒体舆情分析、产品评论分析、用户满意度调查等领域都有重要的应用。通过文本情感分类，可以自动化地对大量文本数据进行分类和分析，为决策提供有用的信息和参考。

2、数据预处理

本文利用的数据：weibo_senti_100k.csv
下载地址：

https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_senti_100k/intro.ipynb

数据展示

data_processing.py：使用结巴分词库统计词频

# 数据来源 https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_senti_100k/intro.ipynb
# 数据概览： 10 万多条，带情感标注 新浪微博，正负向评论约各 5 万条

# 停用词字典  https://github.com/goto456/stopwords

import jieba  # 导入中文分词的第三方库，jieba分词

data_path = "../sources/weibo_senti_100k.csv"  # 数据路径
data_stop_path = "../sources/hit_stopwords.txt"  # 停用词数据路径

data_list = open(data_path, encoding='UTF-8').readlines()[1:]  # 读出数据并去掉第一行的介绍标签,      每一行为一个大字符串
stops_word = open(data_stop_path, encoding='UTF-8').readlines()  # 读取停用词内容
stops_word = [line.strip() for line in stops_word]  # 将每行换行符去掉(去掉换行符)，并生成停用词列表
stops_word.append(" ")  # 可以自己根据需要添加停用词
stops_word.append("\n")

voc_dict = {}
min_seq = 1  # 用于过滤词频数
top_n = 1000
UNK = ""
PAD = ""

print(data_list[0])

# 对data_list进行分词的处理
# for item in data_list[:100]:      使用前100条数据测试，100000条数据太多
for item in data_list:
    label = item[0]  # 字符串的第一个为标签
    content = item[2:].strip()  # 从第三项开始为文本内容, strip()去掉最后的换行符
    seg_list = jieba.cut(content, cut_all=False)  # 调用结巴分词对每一行文本内容进行分词

    seg_res = []
    # 打印分词结果
    for seg_item in seg_list:
        if seg_item in stops_word:  # 如果分词字段在停用词列表里，则取出
            continue
        seg_res.append(seg_item)  # 如果不在则加入分词结果中
        if seg_item in voc_dict.keys():  # 使用字典统计词频seg_item in voc_dict.keys():
            voc_dict[seg_item] += 1
        else:
            voc_dict[seg_item] = 1

#     print(content)  # 打印未分词前的句子
#     print(seg_res)

# 对字典进行排序，取TOPK词，如果将所有词都要，将会导致字典过大。我们只关注一些高频的词
voc_list = sorted([_ for _ in voc_dict.items() if _[1] > min_seq],
                  key=lambda x: x[1],  # key：指定一个参数的函数，该函数用于从每个列表元素中提取比较键
                  reverse=True)[:top_n]  # 取排完序后的前top_n个词,

voc_dict = {word_count[0]: idx for idx, word_count in enumerate(voc_list)}  # 根据排序后的字典重新字典
voc_dict.update({UNK: len(voc_dict), PAD: len(voc_dict) + 1})  # 将前top_n后面的归类为UNK

print(voc_dict)  # '泪': 0, '嘻嘻': 1, '都': 2,

# 保存字典
ff = open("../sources/dict.txt", "w")
for item in voc_dict.keys():
    ff.writelines("{},{}\n".format(item, voc_dict[item]))  # '泪': 0, '嘻嘻': 1, '都': 2,

这段代码是为了对中文文本数据进行预处理，以便进行情感分析。代码使用中文分词库jieba对微博数据进行处理。代码读取微博数据的csv文件，去除第一行（其中包含每列的标签），然后循环处理每一行数据。对于每一行，提取内容（微博帖子的文本）并使用jieba进行分词。得到的分词结果被过滤以去除任何停用词（常见的不具有很多意义的词，例如“和”或“的”），并计算它们的频率在一个字典中。

处理完所有行之后，将结果字典按单词频率降序排序，并选择前n个单词（在这种情况下，n为1000）。任何出现频率低于给定阈值（在这种情况下为1）的词都将从字典中过滤掉。剩余的单词被分配唯一的索引，并保存到字典文件中，以便将来用于训练情感分析模型。

除了单词字典之外，代码定义了两个特殊标记：“”和“”。"“用于表示模型训练或推理过程中遇到的任何词汇外单词（OOV），而”"用于表示添加的填充标记，以确保模型的所有输入具有相同的长度。这些特殊标记被添加到字典的末尾，其索引比字典中的任何其他单词都要高。

3、加载数据集

dataset.py
使用PyTorch的提供的dataset的接口，根据项目重写自己的dataset和dataloader

定义dataset必须重写PyTorch中的dataset中的 init，len，__getitem__函数。

import numpy as np
import jieba
from torch.utils.data import Dataset, DataLoader


# 传入字典路径，将文件读入内存
def read_dict(voc_dict_path):
    voc_dict = {}
    dict_list = open(voc_dict_path).readlines()
    print(dict_list[0])  # '泪,0'
    for item in dict_list:
        item = item.split(",")  # ['泪', '0\n']
        voc_dict[item[0]] = int(item[1].strip())  # item[0]值'泪'  item[1].strip()值为'0'
    # print(voc_dict)
    return voc_dict


# 将数据集进行处理(分词，过滤...)
def load_data(data_path, data_stop_path):
    data_list = open(data_path, encoding='utf-8').readlines()[1:]
    stops_word = open(data_stop_path, encoding='utf-8').readlines()
    stops_word = [line.strip() for line in stops_word]
    stops_word.append(" ")
    stops_word.append("\n")
    voc_dict = {}
    data = []
    max_len_seq = 0  # 统计最长的句子长度
    np.random.shuffle(data_list)
    for item in data_list[:]:
        label = item[0]
        content = item[2:].strip()
        seg_list = jieba.cut(content, cut_all=False)
        seg_res = []
        for seg_item in seg_list:
            if seg_item in stops_word:
                continue
            seg_res.append(seg_item)
            if seg_item in voc_dict.keys():
                voc_dict[seg_item] = voc_dict[seg_item] + 1
            else:
                voc_dict[seg_item] = 1
        if len(seg_res) > max_len_seq:  # 以句子分词词语最长为标准
            max_len_seq = len(seg_res)
        data.append([label, seg_res])  # [标签，分词结果的列表]

        # print(max_len_seq)
    return data, max_len_seq  # 句子分词后，词语最大长度


# 定义Dataset
class text_CLS(Dataset):
    def __init__(self, voc_dict_path, data_path, data_stop_path):
        self.data_path = data_path
        self.data_stop_path = data_stop_path

        self.voc_dict = read_dict(voc_dict_path)  # 返回数据[[label,分词词语列表]，......]
        self.data, self.max_len_seq = load_data(self.data_path, self.data_stop_path)

        np.random.shuffle(self.data)  # 将数据的顺序打乱

    def __len__(self):  # 返回数据集长度
        return len(self.data)

    def __getitem__(self, item):
        data = self.data[item]
        label = int(data[0])
        word_list = data[1]  # 句子分词后的词语列表

        input_idx = []
        for word in word_list:
            if word in self.voc_dict.keys():  # 如果词语在自己创建的字典中
                input_idx.append(self.voc_dict[word])  # 将这个单词的词频数放进列表
            else:
                input_idx.append(self.voc_dict[""])  # 不在则统一归为其他类(词频太低的归为一类)
        if len(input_idx) < self.max_len_seq:  # 词语长度小于最长长度，则需要用PAD填充
            input_idx += [self.voc_dict[""] for _ in range(self.max_len_seq - len(input_idx))]
            # input_idx += [1001 for _ in range(self.max_len_seq - len(input_idx))]
        data = np.array(input_idx)  # 将得到的词频数列表，转化为numpy数据

        return label, data


# 定义DataLoader
def data_loader(dataset, config):
    return DataLoader(dataset, batch_size=config.batch_size, shuffle=config.is_shuffle)


# if __name__ == "__main__":
#     data_path = "../sources/weibo_senti_100k.csv"
#     data_stop_path = "../sources/hit_stopwords.txt"
#     dict_path = "../sources/dict"
#
#     train_dataLoader = data_loader(data_path, data_stop_path, dict_path)
#     for i, batch in enumerate(train_dataLoader):
#         print(batch[0], batch[1].size())
#         print(batch[0], batch[1])

这段代码实现了一个文本分类任务的数据预处理部分，包括读取字典文件和数据文件、分词、过滤停用词、将文本转化为词频数列表、以及构建Dataset和DataLoader。

具体实现包括以下几个函数和类：
read_dict(voc_dict_path)：读取字典文件，将文件内容读入内存，并返回一个字典，其中字典的键为词语，值为对应的词频数。
load_data(data_path,
data_stop_path)：读取数据文件，对每个文本进行分词、过滤停用词，并将文本转化为词频数列表，返回一个数据列表和词语最大长度。
text_CLS(Dataset)：定义了一个Dataset类，用于在PyTorch中加载数据集。在初始化函数中，调用read_dict和load_data函数读取数据和字典，然后打乱数据顺序。在__getitem__函数中，将文本数据转化为词频数列表，并返回标签和列表。__len__函数返回数据集长度。
data_loader(dataset,
config)：定义了一个DataLoader函数，用于在PyTorch中批量加载数据。将dataset和config作为参数传入，返回一个DataLoader对象。
这段代码实现了将文本数据转化为数值化的词频数列表，并将其打包成一个PyTorch的Dataset和DataLoader对象，方便进行后续的模型训练。

4、搭建模型结构

models.py

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np

# padding_idx：padding_idx (python:int, optional) – 填充id，比如，输入长度为100，但是每次的句子长度并不一样，后面就需要用统一的数字填充，
#                                     而这里就是指定这个数字，这样，网络在遇到填充id时，就不会计算其与其它符号的相关性。（初始化为0）
class Model(nn.Module):
    def __init__(self, config):
        super(Model, self).__init__()
        # 词嵌入层
        self.embeding = nn.Embedding(config.n_vocab,  # 字典大小：congif.n_vocab，表示词典中词的数量
                                     embedding_dim=config.embed_size,  # 词嵌入的输出大小，就是每个词经过embedding后用多少位向量表示。表示每个词对应的向量维度
                                     padding_idx=config.n_vocab - 1)  # padding_idx ,pad
        # lstm层
        self.lstm = nn.LSTM(input_size=config.embed_size,  # 输入大小，即每个词的维度
                            hidden_size=config.hidden_size,  # 隐藏层输出大小
                            num_layers=config.num_layers,  # lstm的层数
                            bidirectional=True,  # 双向lstm层
                            batch_first=True,  # 数据结构：[batch_size,seq_len,input_size]
                            dropout=config.dropout)  # 防止过拟合
        # 卷积层
        self.maxpooling = nn.MaxPool1d(config.pad_size)  # 一维卷积。积核长度：
        # 全连接层
        self.fc = nn.Linear(config.hidden_size * 2 + config.embed_size,  # 因为是双向LSTM，所以要*2，
                            config.num_classes)  # 第二个为预测的类别数

        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        embed = self.embeding(x)  # 输出为[batchsize, seqlen, embed_size] 标准RNN网络的输入
        # print("embed.size:",embed.size())
        out, _ = self.lstm(embed)  # out的shape:[batch_size, seq_len, hidden_size*2]
        # print("lstm层的输出size:",out.size())
        # torch.cat((x,y),dim)   在dim上拼接,x,y
        out = torch.cat((embed, out), 2)  # 这里解析全连接层输入大小为 config.hidden_size * 2 + cinfig.embed_size。
        # [batch_size,seg_len,config.hidden_size * 2 + cinfig.embed_size]
        # print("cat后的size:",out.size())
        out = F.relu(out)  # 经过relu层，增加非线性表达能力
        # print("relu层的out.size:",out.size())
        out = out.permute(0, 2, 1)  # 交换维度
        # print("交换维度后的out.size:",out.size())
        out = self.maxpooling(out).reshape(out.size()[0], -1)  # 转化为2维tensor
        # print("MaxPooling后的out.size:",out.size())
        out = self.fc(out)
        # print("全连接层的out.size:",out.size())
        out = self.softmax(out)
        # print("softmax后的out.size:",out.size())
        return out

# 测试网络是否正确
if __name__ == '__main__':
    cfg = Config()
    cfg.pad_size = 640
    model_textcls = Model(config=cfg)
    input_tensor = torch.tensor([i for i in range(640)]).reshape([1, 640])
    out_tensor = model_textcls.forward(input_tensor)
    print(out_tensor.size())
    print(out_tensor)

5、网络模型的配置

config.py

import torch

# 定义网路的配置类
class Config():
    def __init__(self):
        '''
        self.embeding = nn.Embedding(config.n_vocab,
                                config.embed_size,
                                padding_idx=config.n_vocab - 1)
        self.lstm = nn.LSTM(config.embed_size,
                            config.hidden_size,
                              config.num_layers,
                               bidirectional=True, batch_first=True,
                               dropout=config.dropout)
        self.maxpool = nn.MaxPool1d(config.pad_size)
        self.fc = nn.Linear(config.hidden_size * 2 + config.embed_size,
                                  config.num_classes)
        self.softmax = nn.Softmax(dim=1)
        '''
        self.n_vocab = 1002  # 字典长度
        self.embed_size = 128  # 词嵌入表达的大小
        self.hidden_size = 128  # 隐藏层输出大小
        self.num_layers = 3  # lstm网络的层数
        self.dropout = 0.8  #
        self.num_classes = 2  # 二分类问题
        self.pad_size = 32
        self.batch_size = 128
        self.is_shuffle = True
        self.learn_rate = 0.001
        self.num_epochs = 100
        self.devices = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

6、训练脚本的搭建

run_train.py

import torch
import torch.nn as nn
from torch import optim
from models import Model
from datasets import data_loader, text_CLS
from configs import Config

cfg = Config()

data_path = "weibo_senti_100k.csv"
data_stop_path = "hit_stopwords.txt"
dict_path = "dict"

dataset = text_CLS(dict_path, data_path, data_stop_path)
train_dataloader = data_loader(dataset, cfg)

cfg.pad_size = dataset.max_len_seq  #

model_text_cls = Model(cfg)
model_text_cls.to(cfg.devices)

loss_func = nn.CrossEntropyLoss()  # 损失函数。交叉熵损失函数

optimizer = optim.Adam(model_text_cls.parameters(), lr=cfg.learn_rate)  # 定义优化器

for epoch in range(cfg.num_epochs):
    for i, batch in enumerate(train_dataloader):
        label, data = batch
        data = torch.tensor(data).to(cfg.devices)
        label = torch.tensor(label).to(cfg.devices)

        optimizer.zero_grad()
        pred = model_text_cls.forward(data)
        loss_val = loss_func(pred, label)

        print("epoch is {},ite is {},val is {}".format(epoch, i, loss_val))
        loss_val.backward()  # 后向传播
        optimizer.step()  # 更新参数

    if epoch % 10 == 0:
        torch.save(model_text_cls.state_dict(), "../models/{}.pth".format(epoch))

7、训练脚本的搭建

为了简单测试，本文没有数据集拆分为训练集和测试集。
拆分训练集可以将CSV表格中打乱，然后根据需要拆分训练集和测试集。然后构建测试集的dataset和datalaoder。
test.py

import torch
import torch.nn as nn
from torch import optim
from models import Model
from datasets import data_loader, text_CLS
from configs import Config

cfg = Config()

#读取数据
data_path = "sources/weibo_senti_100k.csv"
data_stop_path = "sources/hit_stopword"
dict_path = "sources/dict"

dataset = text_CLS(dict_path, data_path, data_stop_path)
train_dataloader = data_loader(dataset, cfg)

cfg.pad_size = dataset.max_len_seq

model_text_cls = Model(cfg)
model_text_cls.to(cfg.devices)
#加载模型,保存好的模型
model_text_cls.load_state_dict(torch.load("models/10.pth"))


for i, batch in enumerate(train_dataloader):
    label, data = batch
    data = torch.tensor(data).to(cfg.devices)
    label = torch.tensor(label,dtype=torch.int64).to(cfg.devices)
    pred_softmax = model_text_cls.forward(data)

    #print(pred_softmax)
    print(label)
    pred = torch.argmax(pred_softmax, dim=1)
    print(pred)

    #统计准确率
    out = torch.eq(pred,label)
    print(out.sum() * 1.0 / pred.size()[0])

可以上github把整个项目download下来

https://github.com/yingzhang123/Text_Sentiment_Classification

Time:2023.4.16 (周日)
如果上面代码对您有帮助，欢迎点个赞！！！