/
cnn.py
528 lines (361 loc) · 16.1 KB
/
cnn.py
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
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
#coding=utf-8
import pandas as pd
import numpy as np
import sys
#处理编码问题
reload(sys)
sys.setdefaultencoding('utf-8')
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn import feature_extraction
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.preprocessing import LabelEncoder
from keras.utils import np_utils
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import KFold,StratifiedKFold
from keras import metrics
from sklearn.svm import SVC
from keras.layers import Embedding, LSTM
import keras.preprocessing.text as T
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from nltk.corpus import stopwords
from fastText import train_supervised
from nltk.tokenize import sent_tokenize,word_tokenize
from nltk.corpus import wordnet
import enchant
from keras.layers import Conv1D,GlobalMaxPooling1D,Activation,Input,MaxPooling1D,Flatten,concatenate,Embedding
from keras.models import Model
from gensim import corpora, models,similarities
from gensim.models import word2vec,KeyedVectors
#兼容在没有显示器的GPU服务器上运行该代码
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
from keras.utils import plot_model
#yelp评论文件路径 已经使用https://github.com/Yelp/dataset-examples处理成CSV格式
#yelp_file="/Volumes/maidou/dataset/yelp/dataset/review.csv"
yelp_file="/mnt/nlp/dataset/review.csv"
#word2vec_file="/Volumes/maidou/dataset/gensim/GoogleNews-vectors-negative300.bin"
word2vec_file="/mnt/nlp/dataset/GoogleNews-vectors-negative300.bin"
#词袋模型的最大特征束
max_features=5000
def load_reviews(filename,nrows):
#CSV格式表头内容:
# funny,user_id,review_id,text,business_id,stars,date,useful,cool
text=[]
stars=[]
#https://www.cnblogs.com/datablog/p/6127000.html
#sep : str, default ‘,’指定分隔符。如果不指定参数,则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。
# 并且忽略数据中的逗号。正则表达式例子:'\r\t'
#header: int or list of ints, default ‘infer’
# 指定行数用来作为列名,数据开始行数。如果文件中没有列名,设置为None。设置为0则认为第0行是列名
#nrows : int, default None 需要读取的行数(从文件头开始算起)。
#skiprows : list-like or integer, default None 需要忽略的行数(从文件开始处算起),或需要跳过的行号列表(从0开始)。
#skip_blank_lines : boolean, default True如果为True,则跳过空行;否则记为NaN。
###
#开发阶段读取前10000行 使用encoding='utf-8'参数非常重要
df = pd.read_csv(filename,sep=',',header=0,encoding='utf-8',nrows=nrows)
print df.head()
#按照列名直接获取数据 把 list转换成list对象
text=list(df['text'])
stars=list(df['stars'])
#显示各个评分的个数
print df.describe()
#绘图
plt.figure()
count_classes=pd.value_counts(df['stars'],sort=True)
print "各个star的总数:"
print count_classes
count_classes.plot(kind='bar',rot=0)
plt.xlabel('stars')
plt.ylabel('stars counts')
#plt.show()
plt.savefig("yelp_stars.png")
return text,stars
def pad_sentences(data,maxlen=56,values=0.,vec_size = 300):
"""padding to max length
:param data:要扩展的数据集
:param maxlen:扩展的h长度
:param values:默认的值
"""
length = len(data)
if length < maxlen:
for i in range(maxlen - length):
data.append(np.array([values]*vec_size))
return data
#使用词向量表征英语句子
def get_vec_by_sentence_list(word_vecs,sentence_list,maxlen=56,vec_size = 300):
data = []
values=0.0
for sentence in sentence_list:
# get a sentence
sentence_vec = []
words = sentence.split()
for word in words:
try:
sentence_vec.append(word_vecs[word].tolist())
except:
print word
# padding sentence vector to maxlen(w * h)
sentence_vec = pad_sentences(sentence_vec,maxlen,values,vec_size)
# add a sentence vector
data.append(np.array(sentence_vec))
return data
#使用keras的单层cnn
def do_keras_cnn(text,stars):
#转换成词袋序列
max_document_length=200
#设置分词最大个数 即词袋的单词个数
tokenizer = Tokenizer(num_words=max_features,lower=True)
tokenizer.fit_on_texts(text)
sequences = tokenizer.texts_to_sequences(text)
x=pad_sequences(sequences, maxlen=max_document_length)
#print "加载GoogleNews-vectors-negative300.bin..."
#model = KeyedVectors.load_word2vec_format(word2vec_file, binary=True)
#print "加载完毕"
#print model['boy'].shape
#词向量的维数 GoogleNews-vectors-negative300.bin维数为300
#max_features=300
#x = np.concatenate([buildWordVector(model, z, 50) for z in text])
#x = get_vec_by_sentence_list(model,text,max_document_length,max_features)
#我们可以使用从scikit-learn LabelEncoder类。
# 这个类通过 fit() 函数获取整个数据集模型所需的编码,然后使用transform()函数应用编码来创建一个新的输出变量。
encoder=LabelEncoder()
encoder.fit(stars)
encoded_y = encoder.transform(stars)
#构造神经网络
def baseline_model():
#CNN参数
embedding_dims = 50
filters = 250
kernel_size = 3
hidden_dims = 250
model = Sequential()
model.add(Embedding(max_features, embedding_dims))
model.add(Conv1D(filters,
kernel_size,
padding='valid',
activation='relu',
strides=1))
#池化
model.add(GlobalMaxPooling1D())
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
#可视化
plot_model(model, to_file='yelp-cnn-model.png',show_shapes=True)
model.summary()
return model
#在 scikit-learn 中使用 Keras 的模型,我们必须使用 KerasClassifier 进行包装。这个类起到创建并返回我们的神经网络模型的作用。
# 它需要传入调用 fit()所需要的参数,比如迭代次数和批处理大小。
# 最新接口指定训练的次数为epochs
clf = KerasClassifier(build_fn=baseline_model, epochs=10, batch_size=128, verbose=0)
#使用5折交叉验证
scores = cross_val_score(clf, x, encoded_y, cv=5, scoring='f1_micro')
# print scores
print("f1_micro: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
#scores = cross_val_score(clf, x, encoded_y, cv=5, scoring='accuracy')
# print scores
#print("accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
#使用keras的cnn+mlp
def do_keras_cnn_mlp(text,stars):
#转换成词袋序列
max_document_length=200
#设置分词最大个数 即词袋的单词个数
tokenizer = Tokenizer(num_words=max_features,lower=True)
tokenizer.fit_on_texts(text)
sequences = tokenizer.texts_to_sequences(text)
x=pad_sequences(sequences, maxlen=max_document_length)
#我们可以使用从scikit-learn LabelEncoder类。
# 这个类通过 fit() 函数获取整个数据集模型所需的编码,然后使用transform()函数应用编码来创建一个新的输出变量。
encoder=LabelEncoder()
encoder.fit(stars)
encoded_y = encoder.transform(stars)
#构造神经网络
def baseline_model():
#CNN参数
embedding_dims = 50
filters = 250
kernel_size = 3
hidden_dims = 250
model = Sequential()
model.add(Embedding(max_features, embedding_dims))
model.add(Conv1D(filters,
kernel_size,
padding='valid',
activation='relu',
strides=1))
#池化
model.add(GlobalMaxPooling1D())
#增加一个隐藏层
model.add(Dense(hidden_dims))
model.add(Dropout(0.2))
model.add(Activation('relu'))
#输出层
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
#可视化
plot_model(model, to_file='yelp-cnn-model-mlp.png',show_shapes=True)
model.summary()
return model
#在 scikit-learn 中使用 Keras 的模型,我们必须使用 KerasClassifier 进行包装。这个类起到创建并返回我们的神经网络模型的作用。
# 它需要传入调用 fit()所需要的参数,比如迭代次数和批处理大小。
# 最新接口指定训练的次数为epochs
clf = KerasClassifier(build_fn=baseline_model, epochs=10, batch_size=128, verbose=0)
#使用5折交叉验证
scores = cross_val_score(clf, x, encoded_y, cv=5, scoring='f1_micro')
# print scores
print("f1_micro: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
#使用keras的TextCNN
def do_keras_textcnn(text,stars):
#转换成词袋序列
max_document_length=200
#设置分词最大个数 即词袋的单词个数
tokenizer = Tokenizer(num_words=max_features,lower=True)
tokenizer.fit_on_texts(text)
sequences = tokenizer.texts_to_sequences(text)
x=pad_sequences(sequences, maxlen=max_document_length)
#我们可以使用从scikit-learn LabelEncoder类。
# 这个类通过 fit() 函数获取整个数据集模型所需的编码,然后使用transform()函数应用编码来创建一个新的输出变量。
encoder=LabelEncoder()
encoder.fit(stars)
encoded_y = encoder.transform(stars)
#论文中的参数:
# Convolutional Neural Networks for Sentence Classification
# Hyperparameters and Training
#For all datasets we use: rectified linear units, filter
#windows (h) of 3, 4, 5 with 100 feature maps each,
#dropout rate (p) of 0.5, l2 constraint (s) of 3, and
#mini-batch size of 50. These values were chosen
#via a grid search on the SST-2 dev set.
#构造神经网络
def baseline_model():
#CNN参数
embedding_dims = 50
filters = 100
# Inputs
input = Input(shape=[max_document_length])
# Embeddings layers
x = Embedding(max_features, embedding_dims)(input)
# conv layers
convs = []
for filter_size in [3,4,5]:
l_conv = Conv1D(filters=filters, kernel_size=filter_size, activation='relu')(x)
l_pool = MaxPooling1D()(l_conv)
l_pool = Flatten()(l_pool)
convs.append(l_pool)
merge = concatenate(convs, axis=1)
out = Dropout(0.2)(merge)
output = Dense(32, activation='relu')(out)
output = Dense(units=2, activation='softmax')(output)
#输出层
model = Model([input], output)
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
#可视化
plot_model(model, to_file='yelp-cnn-model-textcnn.png',show_shapes=True)
model.summary()
return model
#在 scikit-learn 中使用 Keras 的模型,我们必须使用 KerasClassifier 进行包装。这个类起到创建并返回我们的神经网络模型的作用。
# 它需要传入调用 fit()所需要的参数,比如迭代次数和批处理大小。
# 最新接口指定训练的次数为epochs
clf = KerasClassifier(build_fn=baseline_model, epochs=10, batch_size=50, verbose=1)
#使用5折交叉验证
scores = cross_val_score(clf, x, encoded_y, cv=5, scoring='f1_micro')
# print scores
print("f1_micro: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
#use pre train word2vec
def do_keras_textcnn_w2v(text,stars,trainable):
#转换成词袋序列
max_document_length=200
embedding_dims = 300
#获取已经训练好的词向量
model = KeyedVectors.load_word2vec_format(word2vec_file, binary=True)
print model['word'].shape
#设置分词最大个数 即词袋的单词个数
tokenizer = Tokenizer(num_words=max_features,lower=True)
tokenizer.fit_on_texts(text)
sequences = tokenizer.texts_to_sequences(text)
x=pad_sequences(sequences, maxlen=max_document_length)
#我们可以使用从scikit-learn LabelEncoder类。
# 这个类通过 fit() 函数获取整个数据集模型所需的编码,然后使用transform()函数应用编码来创建一个新的输出变量。
encoder=LabelEncoder()
encoder.fit(stars)
encoded_y = encoder.transform(stars)
#labels = to_categorical(np.asarray(labels))也可以进行数据处理
#获取word到对应数字编号的映射关系
word_index = tokenizer.word_index
print('Found %s unique tokens.' % len(word_index))
#获取词向量的映射矩阵
embedding_matrix = np.zeros((max_features + 1, embedding_dims))
for word, i in word_index.items():
#编号大于max_features的忽略 该字典是按照字典顺序 所以对应的id不一定是顺序的
if i > max_features:
continue
try:
embedding_matrix[i] = model[word].reshape(embedding_dims)
except:
print "%s not found!" % (word)
#构造神经网络
def baseline_model():
#CNN参数
#filters个数通常与文本长度相当 便于提取特征
filters = max_document_length
# Inputs
input = Input(shape=[max_document_length])
# 词向量层,本文使用了预训练word2vec词向量,把trainable设为False
x = Embedding(max_features + 1,
embedding_dims,
weights=[embedding_matrix],
trainable=trainable)(input)
# conv layers
convs = []
for filter_size in [3,4,5]:
l_conv = Conv1D(filters=filters, kernel_size=filter_size, activation='relu')(x)
l_pool = MaxPooling1D()(l_conv)
l_pool = Flatten()(l_pool)
convs.append(l_pool)
merge = concatenate(convs, axis=1)
out = Dropout(0.2)(merge)
output = Dense(32, activation='relu')(out)
output = Dense(units=2, activation='softmax')(output)
#输出层
model = Model([input], output)
model.compile(loss='categorical_crossentropy',
optimizer='adam',
metrics=['accuracy'])
#可视化
plot_model(model, to_file='yelp-cnn-model-textcnn.png',show_shapes=True)
model.summary()
return model
#在 scikit-learn 中使用 Keras 的模型,我们必须使用 KerasClassifier 进行包装。这个类起到创建并返回我们的神经网络模型的作用。
# 它需要传入调用 fit()所需要的参数,比如迭代次数和批处理大小。
# 最新接口指定训练的次数为epochs
clf = KerasClassifier(build_fn=baseline_model, epochs=10, batch_size=50, verbose=1)
#使用5折交叉验证
scores = cross_val_score(clf, x, encoded_y, cv=5, scoring='f1_micro')
# print scores
print("f1_micro: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() * 2))
if __name__ == '__main__':
text,stars=load_reviews(yelp_file,10000)
stars=[ 0 if star < 3 else 1 for star in stars ]
print "情感分类的总数:"
count_classes = pd.value_counts(stars, sort=True)
print count_classes
#使用单层cnn文档分类
#do_keras_cnn(text,stars)
#使用cnn+mlp文档分类
#do_keras_cnn_mlp(text,stars)
#使用textCNN文档分类
#do_keras_textcnn(text,stars)
#使用textCNN文档分类 以及预计训练的词向量
do_keras_textcnn_w2v(text,stars,True)