基于BERT做中文文本分类(情感分析)
Bert:
BERT是一种预训练语言表示的方法,这意味着我们在大型文本语料库(例如Wikipedia)上训练通用的“语言理解”模型,然后将该模型用于我们关心的下游NLP任务,BERT优于之前的方法,因为它是第一个用于预训练NLP的无监督,深度双向系统。
相关论文:
《Attention Is All You Need》
《BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding》
之后可能会出一篇详解bert原理的文章。
一、环境搭建:
Tensorflow>=1.11.0 我使用的1.12.0
Python 3.6.8
使用GPU训练(官网说显存要求大于12g)
服务器:1080Ti 32G
二、下载模型:
下载bert:https://github.com/google-research/bert
下载bert预训练模型:https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
三、数据准备:
将你的语料分成3个文件,分别为train.csv,test.csv,dev.csv三个(我使用的是csv文件,它与tsv区别就是分隔符号的不同,我直接将csv的分隔符‘,’转成‘\t’),放入新建data文件夹下。
具体操作:
我的语料来自于情感分析比赛的,是判断新闻标题情感积极消极还是中性,首先使用pandas对语料进行处理,最终处理成“label+content”的格式。如图所示:
将语料分割成三个文件:我分割的比例是8:1:1,可以按照自己的比例进行分割。
#!/usr/bin/env python
import os
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.utils import shuffledef train_valid_test_split(x_data, y_data,validation_size=0.1, test_size=0.1, shuffle=True):x_, x_test, y_, y_test = train_test_split(x_data, y_data, test_size=test_size, shuffle=shuffle)valid_size = validation_size / (1.0 - test_size)x_train, x_valid, y_train, y_valid = train_test_split(x_, y_, test_size=valid_size, shuffle=shuffle)return x_train, x_valid, x_test, y_train, y_valid, y_testif __name__ == '__main__':path = "data/"pd_all = pd.read_csv(os.path.join(path, "outcleanfile.csv"))pd_all = shuffle(pd_all)x_data, y_data = pd_all.title, pd_all.labelx_train, x_valid, x_test, y_train, y_valid, y_test = \train_valid_test_split(x_data, y_data, 0.1, 0.1)train = pd.DataFrame({'label': y_train, 'x_train': x_train})train.to_csv("data/train.csv", index=False, encoding='utf-8',sep='\t')valid = pd.DataFrame({'label': y_valid, 'x_valid': x_valid})valid.to_csv("data/dev.csv", index=False, encoding='utf-8',sep='\t')test = pd.DataFrame({'label': y_test, 'x_test': x_test})test.to_csv("data/test.csv", index=False, encoding='utf-8',sep='\t')
最终文件结构如图:
四、修改代码:
1.新定义处理类:
class NewsProcessor(DataProcessor):"""Processor for the WeiBo data set ."""def get_train_examples(self, data_dir):"""See base class."""return self._create_examples(self._read_tsv(os.path.join(data_dir, "train.csv")), "train")def get_dev_examples(self, data_dir):"""See base class."""return self._create_examples(self._read_tsv(os.path.join(data_dir, "dev.csv")), "dev")def get_test_examples(self, data_dir):"""See base class."""return self._create_examples(self._read_tsv(os.path.join(data_dir, "test.csv")), "test")def get_labels(self):"""See base class."""return ["0", "1", "2"]def _create_examples(self, lines, set_type):"""Creates examples for the training and dev sets."""examples = []for (i, line) in enumerate(lines):# All sets have a headerif i == 0: continueguid = "%s-%s" % (set_type, i)text_a = tokenization.convert_to_unicode(line[1])label = tokenization.convert_to_unicode(line[0])examples.append(InputExample(guid=guid, text_a=text_a, text_b=None, label=label))return examples
2.处理类注册:
在bert文件夹下的run_classifier.py中的def main(_):函数中将processors的内容增加为:
processors = {"cola": ColaProcessor,"mnli": MnliProcessor,"mrpc": MrpcProcessor,"xnli": XnliProcessor,"news": NewsProcessor
}
五、训练模型:
网上很多使用shell脚本运行,但是我试了n次总是传不进去参数,直接修改了python文件里的参数,不过还是把脚本放在这了,知道问题的小伙伴可以告知一声。执行脚本或python文件前新建output文件用于训练输出。
export DATA_DIR=数据所在的路径
export BERT_BASE_DIR=预训练模型所在的路径python run_classifier.py \--task_name=news \--do_train=true \--do_eval=true \--data_dir=$DATA_DIR/ \--vocab_file=$BERT_BASE_DIR/vocab.txt \--bert_config_file=$BERT_BASE_DIR/bert_config.json \--init_checkpoint=$BERT_BASE_DIR/bert_model.ckpt \--max_seq_length=128 \--train_batch_size=32 \--learning_rate=2e-5 \--num_train_epochs=3.0 \--output_dir=/output
内存不足调整这两个参数:
max_seq_length:发布的模型经过训练,序列长度最大为512,但是您可以使用更短的最大序列长度进行微调,以节省大量内存。train_batch_size:内存使用也与批处理大小成正比。
训练时长根据配置及数据情况而定,我的应该几个小时就跑完了。训练结果保存在output的eval_results.txt。如下:
六、分类预测
将刚才的脚本文件修改为如下:
python run_classifier.py --task_name=news --do_predict=true --data_dir=./glue --vocab_file=./uncased/uncased_L-12_H-768_A-12/vocab.txt --bert_config_file=./uncased/uncased_L-12_H-768_A-12/bert_config.json --init_checkpoint=./tmp/emotion/bert_model.ckpt--max_seq_length=128 --output_dir=./output/emotion_out/
或者直接更改run_classifier.py中的参数,将do_predict改为True,do_train和do_eval改为False。
最终得到一个tsv文件,文件中每一条是预测各个类(0、1、2)的概率,如下图所示:
显然,概率并不是我们想要的,我们需要将概率最终转换成类别:
import os
import pandas as pdif __name__ == '__main__':path = "output/emotion_out/"pd_all = pd.read_csv(os.path.join(path, "test_results.tsv") ,sep='\t',header=None)data = pd.DataFrame(columns=['polarity'])print(pd_all.shape)for index in pd_all.index:neutral_score = pd_all.loc[index].values[0]positive_score = pd_all.loc[index].values[1]negative_score = pd_all.loc[index].values[2]if max(neutral_score, positive_score, negative_score) == neutral_score:# data.append(pd.DataFrame([index, "neutral"],columns=['id','polarity']),ignore_index=True)data.loc[index+1] = ["neutral"]elif max(neutral_score, positive_score, negative_score) == positive_score:#data.append(pd.DataFrame([index, "positive"],columns=['id','polarity']),ignore_index=True)data.loc[index+1] = [ "positive"]else:#data.append(pd.DataFrame([index, "negative"],columns=['id','polarity']),ignore_index=True)data.loc[index+1] = [ "negative"]#print(negative_score, positive_score, negative_score)data.to_csv(os.path.join(path, "pre_sample.tsv"),sep = '\t')#print(data)
最终得到预测结果:
最后数据可能因为不是均匀分布,导致结果有些不准确,接下来从数据入手,整理下数据集。
参考链接:
https://github.com/google-research/bert
https://blog.csdn.net/qq874455953/article/details/90276116
基于BERT做中文文本分类(情感分析)相关推荐
- 如何做中文文本的情感分析?
如何做中文文本的情感分析? 这是本学期在大数据哲学与社会科学实验室做的第三次分享了. 第一次分享的是:如何利用"wordcloud+jieba"制作中文词云? 第二次分享的是:如何 ...
- 基于LSTM的中文多分类情感分析
趁着国庆假期,玩了一下深度学习(主要是LSTM这个网络),顺便做了一个中文多分类的情感分析.中文情感分析相对英文来说,难度太大,所以最后分析的结果,准确度也不是太高,但基本还是没啥问题的. 对应的ap ...
- python中文文本分析_基于CNN的中文文本分类算法(可应用于垃圾邮件过滤、情感分析等场景)...
基于cnn的中文文本分类算法 简介 参考IMPLEMENTING A CNN FOR TEXT CLASSIFICATION IN TENSORFLOW实现的一个简单的卷积神经网络,用于中文文本分类任 ...
- 如何用Python和BERT做中文文本二元分类?| 程序员硬核评测
点击上方↑↑↑蓝字关注我们~ 「2019 Python开发者日」全日程揭晓,请扫码咨询 ↑↑↑ 作者 | 王树义 来源 | 王树芝兰(ID:nkwangshuyi) 兴奋 去年, Google 的 B ...
- 使用BERT做中文文本相似度计算与文本分类
转载请注明出处,原文地址: https://terrifyzhao.github.io/2018/11/29/使用BERT做中文文本相似度计算.html 简介 最近Google推出了NLP大杀器BER ...
- 【Bert、T5、GPT】fine tune transformers 文本分类/情感分析
[Bert.T5.GPT]fine tune transformers 文本分类/情感分析 0.前言 text classification emotions 数据集 data visualizati ...
- 如何用 Python 和循环神经网络(RNN)做中文文本分类?
本文为你展示,如何使用 fasttext 词嵌入预训练模型和循环神经网络(RNN), 在 Keras 深度学习框架上对中文评论信息进行情感分类. 疑问 回顾一下,之前咱们讲了很多关于中文文本分类的内容 ...
- BERT微调做中文文本分类
BERT模型在NLP各项任务中大杀四方,那么我们如何使用这一利器来为我们日常的NLP任务来服务呢?我们首先介绍使用BERT做文本分类任务. 重写读取数据的类 需要根据文件格式重写读取数据的类,只要能够 ...
- 【代码实战】基于pytorch实现中文文本分类任务
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要15分钟 Follow小博主,每天更新前沿干货 来自 | 知乎 地址 | https://zhuanlan.zhihu.com/p/73176 ...
最新文章
- iOS UITextView 随键盘弹出界面上移
- PDF批量替换文字器免费版
- windows下设置socket的connect超时
- 虚数填补了数学的那一个缺口?
- jspx格式手机打开_制作手机浏览器显示格式的HTML页面
- adam算法效果差原因_电缆耐高温套管使用效果差的原因有哪些?
- hive 建表_Hive建表和内外部表的使用
- kali 安装grub theme
- 7_26 day28 上节课 复习 27min
- DXUT框架剖析(3)
- 报错ValueError: check_hostname requires server_hostname
- 拓端tecdat|R语言关联规则模型(Apriori算法)挖掘杂货店的交易数据与交互可视化
- Docker教程小白实操入门(15)--如何使用WORKDIR、ENV、ARG和EXPOSE设置镜像
- 什么是数字证书?它有什么作用?
- 51 单片机学习_2.1 独立按键控制LED亮灭
- 玩客币如何转账如何交易链克
- 互联网金融风控模型大全
- 任正非讲话稿400篇_任正非讲话稿400余篇分享,最全任正非演讲稿下载
- 腾讯地图JS API制作专题图
- (超级详细教程)搭建自己的博客——从购买服务器到建站
热门文章
- Windows上安装Nessus
- shell脚本里的#!/bin/bash是什么意思
- 竟领先15% 解密飞行堡垒吃鸡重装版强悍性能
- leetcode 19. 删除链表的倒数第 N 个结点(c++)
- python自动化测试面试题大全带答案_Python自动化测试笔试面试题精选
- cgb2107-day17
- cgb2107-day08
- 利用随机森林进行特征选择
- 在线教育学习平台网校系统v2020 html5响应式在线教育培训类企业使用+安装说明
- 解决 zbrush导出的模型在blender里没有颜色的问题