当前位置:   article > 正文

豆瓣评分预测(如何用自己的数据集进行文本分类)——基于pytorch的 BERT中文文本分类,超详细教程必会_bert做中文文本分类的具体过程

bert做中文文本分类的具体过程

写在最后

在结束之际,我想重申的是,学习并非如攀登险峻高峰,而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后,持之以恒的学习变得愈发不易,如同在茫茫大海中独自划舟,稍有松懈便可能被巨浪吞噬。然而,对于我们程序员而言,学习是生存之本,是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习,我们便如同逆水行舟,不进则退,终将被时代的洪流所淘汰。因此,不断汲取新知识,不仅是对自己的提升,更是对自己的一份珍贵投资。让我们不断磨砺自己,与时代共同进步,书写属于我们的辉煌篇章。

需要完整版PDF学习资源私我

网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。

需要这份系统化资料的朋友,可以点击这里获取

一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

二、文本处理

1.加载数据

由于豆瓣数据为DMSC.csv格式,所以我们通过pd.read_csv函数读取数据,该函数是用来读取csv格式的文件,将表格数据转化成dataframe格式。

#读取数据
data = pd.read_csv('DMSC.csv')
#观察数据格式
data.head()
#输出数据的一些相关信息
data.info()
#只保留数据中我们需要的两列:Comment列和Star列
data = data[['Comment','Star']]
#观察新的数据的格式
data.head()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

输出结果:

CommentStar
0连奥创都知道整容要去韩国。3
1“一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫,开场即高潮、一直到结束,会有人觉…4
2奥创弱爆了弱爆了弱爆了啊!!!!!!2
3与第一集不同,承上启下,阴郁严肃,但也不会不好看啊,除非本来就不喜欢漫威电影。场面更加宏大…4
4看毕,我激动地对友人说,等等奥创要来毁灭台北怎么办厚,她拍了拍我肩膀,没事,反正你买了两份…5

2. 文本预处理

由于一开始送训练数据进入BERT时,提示出现空白字符无法转换以及label标签范围不符合的问题,所以再一次将数据进行预处理,将空白去除以及标签为评分减一。

def clear_character(sentence):
    new_sentence=''.join(sentence.split()) #去除空白
    return new_sentence
data["comment_processed"]=data['Comment'].apply(clear_character)
data['label']=data['Star']-1
data.head()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

输出结果:

CommentStarcomment_processedlabel
0连奥创都知道整容要去韩国。3连奥创都知道整容要去韩国。2
1“一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫,开场即高潮、一直到结束,会有人觉…4“一个没有黑暗面的人不值得信任。”第二部剥去冗长的铺垫,开场即高潮、一直到结束,会有人觉得只…3
2奥创弱爆了弱爆了弱爆了啊!!!!!!2奥创弱爆了弱爆了弱爆了啊!!!!!!1
3与第一集不同,承上启下,阴郁严肃,但也不会不好看啊,除非本来就不喜欢漫威电影。场面更加宏大…4与第一集不同,承上启下,阴郁严肃,但也不会不好看啊,除非本来就不喜欢漫威电影。场面更加宏大,…3
4看毕,我激动地对友人说,等等奥创要来毁灭台北怎么办厚,她拍了拍我肩膀,没事,反正你买了两份…5看毕,我激动地对友人说,等等奥创要来毁灭台北怎么办厚,她拍了拍我肩膀,没事,反正你买了两份旅…4

3.划分训练集和测试集

通过train_test_split()函数进行数据集的划分。

from sklearn.model_selection import train_test_split
X = data[['comment_processed','label']]
test_ratio = 0.2
comments_train, comments_test = train_test_split(X,test_size=test_ratio, random_state=0)
print(comments_train.head(),comments_test.head)
  • 1
  • 2
  • 3
  • 4
  • 5

4.保存txt格式

由于BERT里面的存储格式为txt以及文本加标签,所以通过dataframe.to_csv函数存储。

comments_train.to_csv('train.txt', sep='\t', index=False,header=False)
comments_test.to_csv('test.txt', sep='\t', index=False,header=False)
  • 1
  • 2

输出结果:

三、BERT模型

1. 特征转换

在run.py中先将保存好的训练数据、测试数据、验证数据转化为BERT向量。

print("Loading data...")
train_data, dev_data, test_data = build_dataset(config)
train_iter = build_iterator(train_data, config)
dev_iter = build_iterator(dev_data, config)
test_iter = build_iterator(test_data, config)
time_dif = get_time_dif(start_time)
print("Time usage:", time_dif)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
def load_dataset(path, pad_size=32):
    contents = []
    with open(path, 'r', encoding='UTF-8') as f:      # 读取数据
        for line in tqdm(f):
            lin = line.strip()
            if not lin:
                continue
            if len(lin.split('\t')) == 2:
                content, label = lin.split('\t')
            token = config.tokenizer.tokenize(content)      # 分词
            token = [CLS] + token                           # 句首加入CLS
            seq_len = len(token)
            mask = []
            token_ids = config.tokenizer.convert_tokens_to_ids(token)

            if pad_size:
                if len(token) < pad_size:
                    mask = [1] * len(token_ids) + [0] * (pad_size - len(token))
                    token_ids += ([0] * (pad_size - len(token)))
                else:
                    mask = [1] * pad_size
                    token_ids = token_ids[:pad_size]
                    seq_len = pad_size
            contents.append((token_ids, int(label), seq_len, mask))
    return contents
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25

调用tokenizer,使用tokenizer分割输入,将数据转换为特征

特征中包含4个数据:

  • **tokens_ids:**分词后每个词语在vocabulary中的id,补全符号对应的id为0,[CLS]和[SEP]的id分别为101和102。应注意的是,在中文BERT模型中,中文分词是基于字而非词的分词。
  • **mask:**真实字符/补全字符标识符,真实文本的每个字对应1,补全符号对应0,[CLS]和[SEP]也为1。
  • seq_len:句子长度
  • label:将label_list中的元素利用字典转换为index标识。

转换特征中一个元素的例子是:

**输入:**剧情有的承接欠缺,画面人设很棒。    3
tokens_ids:[101, 1196, 2658, 3300, 4638, 2824, 2970, 3612, 5375, 8024, 4514, 7481, 782, 6392, 2523, 3472, 511, 0,…,0]
mask:[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…,0]
**label:**3
**seq_len:**17

2.模型训练

完成读取数据、特征转换之后,将特征送入模型进行训练。

训练算法为BERT专用的Adam算法

训练集、测试集、验证集比例为6:2:2

每100轮会在验证集上进行验证,并给出相应的准确值,如果准确值大于此前最高分则保存模型参数,否则flags加1。如果flags大于1000,也即连续1000轮模型的性能都没有继续优化,停止训练过程。

for epoch in range(config.num_epochs):
    print('Epoch [{}/{}]'.format(epoch + 1, config.num_epochs))
    for i, (trains, labels) in enumerate(train_iter):

        outputs = model(trains)
        model.zero_grad()
        loss = F.cross_entropy(outputs, labels)
        loss.backward()
        optimizer.step()
        if total_batch % 100 == 0:
            # 每多少轮输出在训练集和验证集上的效果
            true = labels.data.cpu()
            predic = torch.max(outputs.data, 1)[1].cpu()
            train_acc = metrics.accuracy_score(true, predic)
            dev_acc, dev_loss = evaluate(config, model, dev_iter)
            if dev_loss < dev_best_loss:
                dev_best_loss = dev_loss
                torch.save(model.state_dict(), config.save_path)
                improve = '*'
                last_improve = total_batch
            else:
                improve = ''
            time_dif = get_time_dif(start_time)
            msg = 'Iter: {0:>6},  Train Loss: {1:>5.2},  Train Acc: {2:>6.2%},  Val Loss: {3:>5.2},  Val Acc: {4:>6.2%},  Time: {5} {6}'
            print(msg.format(total_batch, loss.item(), train_acc, dev_loss, dev_acc, time_dif, improve))
            model.train()
        total_batch += 1
        if total_batch - last_improve > config.require_improvement:
            # 验证集loss超过1000batch没下降,结束训练
            print("No optimization for a long time, auto-stopping...")
            flag = True
            break
    if flag:
        break
test(config, model, test_iter)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35

训练结果:

1245it [00:00, 6290.83it/s]Loading data...
170004it [00:28, 6068.60it/s]
42502it [00:07, 6017.43it/s]
42502it [00:06, 6228.82it/s]
Time usage: 0:00:42
Epoch [1/5]
Iter:      0,  Train Loss:   1.8,  Train Acc:  3.12%,  Val Loss:   1.7,  Val Acc:  9.60%,  Time: 0:02:14 *
Iter:    100,  Train Loss:   1.5,  Train Acc: 25.00%,  Val Loss:   1.4,  Val Acc: 20.60%,  Time: 0:05:10 *
...
Iter:   5300,  Train Loss:  0.75,  Train Acc: 65.62%,  Val Loss:   1.0,  Val Acc: 50.07%,  Time: 2:45:41 *
Epoch [2/5]
Iter:   5400,  Train Loss:   1.0,  Train Acc: 62.50%,  Val Loss:   1.0,  Val Acc: 51.02%,  Time: 2:48:46 
...
Iter:   7000,  Train Loss:  0.77,  Train Acc: 75.00%,  Val Loss:   1.0,  Val Acc: 52.84%,  Time: 3:38:26 
No optimization for a long time, auto-stopping...
Test Loss:   1.0,  Test Acc: 50.89%
Precision, Recall and F1-Score...
              precision    recall  f1-score   support

           1     0.6157    0.5901    0.6026      3706
           2     0.5594    0.1481    0.2342      3532
           3     0.4937    0.5883    0.5369      9678
           4     0.4903    0.5459    0.5166     12899
           5     0.6693    0.6394    0.6540     12687

    accuracy                         0.5543     42502
   macro avg     0.5657    0.5024    0.5089     42502
weighted avg     0.5612    0.5543    0.5463     42502
Time usage: 0:02:25
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

从训练结果可以看出准确率和F1分数最多只能达到60%,其实仔细分析评论也可以知道原因:

相近分数的差异性与评论相关性不大,比如两分的评论可能有时候与一分三分是一样的,这就导致很难根据评论准确的预测出分数,但是从测试结果可以明显的看出好评和差评能够明显区分出来,准确率能达到百分之九十。

3.模型测试

测试的时候与训练同样的原理,也是先将数据转化为特征,送入训练好的模型中,得到结果。


def final_predict(config, model, data_iter):
    map_location = lambda storage, loc: storage
    model.load_state_dict(torch.load(config.save_path, map_location=map_location))
    model.eval()
    predict_all = np.array([])
    with torch.no_grad():


**先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7**

**深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!**

**因此收集整理了一份《2024年最新网络安全全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。**
![img](https://img-blog.csdnimg.cn/img_convert/5f4306069de3f97cbea83968cad09237.png)
![img](https://img-blog.csdnimg.cn/img_convert/c1e713307db8c0a7ff37c9c5750586d4.png)
![img](https://img-blog.csdnimg.cn/img_convert/e14059c8772f972ad54a0d3667863fd2.png)
![img](https://img-blog.csdnimg.cn/img_convert/8bc703af2b2d96be96a685e173b4e67f.png)
![img](https://img-blog.csdnimg.cn/img_convert/68d9fdc3d3d328461e42c7784813e514.png)
![img](https://img-blog.csdnimg.cn/img_convert/0ac4be94348f537a89c7eb110f857d07.png)

**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上网络安全知识点,真正体系化!**

**由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**

**[需要这份系统化资料的朋友,可以点击这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**

]
[外链图片转存中...(img-gC2cycY1-1715742047775)]
[外链图片转存中...(img-Cka13Cdk-1715742047775)]

**既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上网络安全知识点,真正体系化!**

**由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新**

**[需要这份系统化资料的朋友,可以点击这里获取](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)**

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/菜鸟追梦旅行/article/detail/723500
推荐阅读
相关标签
  

闽ICP备14008679号