【文本分类-01】Word2vec
目录
- 大纲概述
- 数据集合
- 数据处理
- 预训练word2vec模型
一、大纲概述
文本分类这个系列将会有8篇左右文章，从github直接下载代码，从百度云下载训练数据，在pycharm上导入即可使用，包括基于word2vec预训练的文本分类，与及基于近几年的预训练模型（ELMo，BERT等）的文本分类。总共有以下系列：
二、数据集合
数据集为IMDB 电影影评，总共有三个数据文件，在/data/rawData目录下，包括unlabeledTrainData.tsv，labeledTrainData.tsv，testData.tsv。在进行文本分类时需要有标签的数据（labeledTrainData），但是在训练word2vec词向量模型（无监督学习）时可以将无标签的数据一起用上。
训练数据地址：链接：https://pan.baidu.com/s/1-XEwx1ai8kkGsMagIFKX_g 提取码：rtz8
三、数据处理，也即是数据提取
IMDB 电影影评属于英文文本，本序列主要是文本分类的模型介绍，因此数据预处理比较简单，只去除了各种标点符号，HTML标签，小写化等。 使用pandas直接处理数据，建议使用apply方法，处理速度比较快，数据处理完之后将有标签和无标签的数据合并，并保存成txt文件，放在了preProcess里面。
代码如下：
1 import pandas as pd
2 from bs4 import BeautifulSoup #灵活又方便的网页解析库，处理高效，支持多种解析器。利用它不用编写正则表达式即可方便地实现网页信息的提取。
3 # IMDB 电影影评属于英文文本，本序列主要是文本分类的模型介绍，因此数据预处理比较简单，
4 # 只去除了各种标点符号，HTML标签，小写化等。代码如下：
5 With open ("../data/rawData/unlabeledTrainData.tsv", "r", encoding='UTF-8') as f:
6 unlabeledTrain = [line.strip().split("\t") for line in f.readlines() if len(line.strip().split("\t")) == 2]
7
8 with open("../data/rawData/labeledTrainData.tsv", "r", encoding='UTF-8') as f:
9 labeledTrain = [line.strip().split("\t") for line in f.readlines() if len(line.strip().split("\t")) == 3]
10
11 unlabel = pd.DataFrame(unlabeledTrain[1:], columns=unlabeledTrain[0])
12 label = pd.DataFrame(labeledTrain[1:], columns=labeledTrain[0]) #多一列数据 sentiment （0/1）
13 # print("```````````")
14 # print(unlabeledTrain)
15 # print(label)
16 def cleanReview(subject):
17 # 数据处理函数
18 beau = BeautifulSoup(subject)
19 newSubject = beau.get_text()
20 newSubject = newSubject.replace("\\", "").replace("\'", "").replace('/','').replace('"', '').replace(',', '').replace('.', '').replace('?', '').replace('(', '').replace(')', '')
21 newSubject = newSubject.strip().split(" ")
22 newSubject = [word.lower() for word in newSubject]
23 newSubject = " ".join(newSubject)
24 return newSubject
25
26 unlabel["review"] = unlabel["review"].apply(cleanReview)
27 label["review"] = label["review"].apply(cleanReview)
28
29 # 将有标签的数据和无标签的数据合并
30 newDf = pd.concat([unlabel["review"], label["review"]], axis=0)
31 # 保存成txt文件
32 newDf.to_csv("../data/preProcess/wordEmbdiing.txt", index=False)
四、预训练word2vec模型
关于word2vec模型的介绍见这篇。我们使用gensim中的word2vec API来训练模型。官方API介绍如下：
class gensim.models.word2vec.Word2Vec(sentences=None, corpus_file=None, size=100, alpha=0.025, window=5, min_count=5, max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001, sg=0, hs=0, negative=5, ns_exponent=0.75, cbow_mean=1, hashfxn=<built-in function hash>, iter=5, null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000, compute_loss=False, callbacks=(), max_final_vocab=None)
1) sentences：我们要分析的语料，可以是一个列表，或者从文件中遍历读出（word2vec.LineSentence(filename) ）。
2) size：词向量的维度，默认值是100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。
3) window：即词向量上下文最大距离，window越大，则和某一词较远的词也会产生上下文关系。默认值为5，在实际使用中，可以根据实际的需求来动态调整这个window的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在[5；10]之间。
4) sg：即我们的word2vec两个模型的选择了。如果是0， 则是CBOW模型；是1则是Skip-Gram模型；默认是0即CBOW模型。
5) hs：即我们的word2vec两个解法的选择了。如果是0， 则是Negative Sampling；是1的话并且负采样个数negative大于0， 则是Hierarchical Softmax。默认是0即Negative Sampling。
6) negative：即使用Negative Sampling时负采样的个数，默认是5。推荐在[3,10]之间。这个参数在我们的算法原理篇中标记为neg。
7) cbow_mean：仅用于CBOW在做投影的时候，为0，则算法中的xw为上下文的词向量之和，为1则为上下文的词向量的平均值。在我们的原理篇中，是按照词向量的平均值来描述的。个人比较喜欢用平均值来表示xw,默认值也是1,不推荐修改默认值。
8) min_count：需要计算词向量的最小词频。这个值可以去掉一些很生僻的低频词，默认是5。如果是小语料，可以调低这个值。
9) iter：随机梯度下降法中迭代的最大次数，默认是5。对于大语料，可以增大这个值。
10) alpha：在随机梯度下降法中迭代的初始步长。算法原理篇中标记为η，默认是0.025。
11) min_alpha: 由于算法支持在迭代的过程中逐渐减小步长，min_alpha给出了最小的迭代步长值。随机梯度下降中每轮的迭代步长可以由iter，alpha， min_alpha一起得出。这部分由于不是word2vec算法的核心内容，因此在原理篇我们没有提到。
对于大语料，需要对alpha, min_alpha,iter一起调参，来选择合适的三个值。
word2vec是可以进行增量式训练的，因此可以实现
一：在输入值时可以将数据用生成器的形式导入到模型中；
二：可以将数据一个磁盘中读取出来，然后训练完保存模型；之后加载模型再从其他的磁盘上读取数据进行模型的训练。初始化模型的相似度之后，模型就无法再进行增量式训练了，相当于锁定模型了。
1 import logging
2 import gensim
3 from gensim.models import word2vec
4 # 设置输出日志
5 logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
6 # 直接用gemsim提供的API去读取txt文件，读取文件的API有LineSentence 和 Text8Corpus, PathLineSentences等。
7 sentences = word2vec.LineSentence("../data/preProcess/wordEmbdiing.txt")
8 # a = list(sentences)
9 # print(len(a))
10 # 训练模型，词向量的长度设置为200， 迭代次数为8，采用skip-gram模型，模型保存为bin格式
11 model = gensim.models.Word2Vec(sentences, size=200, sg=1, iter=8)
12 model.wv.save_word2vec_format("./word2Vec" + ".bin", binary=True)
13 # 加载bin格式的模型
14 word2Vec = gensim.models.KeyedVectors.load_word2vec_format("word2Vec.bin",binary=True)
