NLP之多循环神经网络情感分析

文章目录

代码展示

import pandas as pd
import tensorflow as tf

# 构建RNN神经网络
tf.random.set_seed(1)
df = pd.read_csv("../data/Clothing Reviews.csv")
print(df.info())

df['Review Text'] = df['Review Text'].astype(str)
x_train = df['Review Text']
y_train = df['Rating']

from tensorflow.keras.preprocessing.text import Tokenizer

# 创建词典的索引,默认词典大小20000
dict_size = 14848
tokenizer = Tokenizer(num_words=dict_size)
# jieba: 停用词，标点符号，词性.....
tokenizer.fit_on_texts(x_train)
print(len(tokenizer.word_index), tokenizer.index_word)

# # 把评论的文本转化序列编码
x_train_tokenized = tokenizer.texts_to_sequences(x_train)

# # 通过指定长度,把不等长list转化为等长
from tensorflow.keras.preprocessing.sequence import pad_sequences

max_comment_length = 120
x_train = pad_sequences(x_train_tokenized, maxlen=max_comment_length)

for v in x_train[:10]:
    print(v, len(v))

# 构建RNN神经网络
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, SimpleRNN, Embedding
import tensorflow as tf

rnn = Sequential()
# 对于rnn来说首先进行词向量的操作
rnn.add(Embedding(input_dim=dict_size, output_dim=60, input_length=max_comment_length))

rnn.add(SimpleRNN(units=100))  # 第二层构建了100个RNN神经元

rnn.add(Dense(units=10, activation=tf.nn.relu))

rnn.add(Dense(units=6, activation=tf.nn.softmax))  # 输出分类的结果
rnn.compile(loss='sparse_categorical_crossentropy', optimizer="adam", metrics=['accuracy'])
print(rnn.summary())
result = rnn.fit(x_train, y_train, batch_size=64, validation_split=0.3, epochs=1)
print(result)
print(result.history)

代码意图

代码的意图：
该代码的主要目的是构建一个简单的RNN（循环神经网络）来对"Clothing Reviews.csv"中的评论进行分类。评论文本被转换为数值序列，然后使用这些序列来训练RNN模型，以预测评论的评分。

流程描述：

设置随机种子：确保结果的可重复性。
```
tf.random.set_seed(1)
```
读取数据：使用pandas读取"Clothing Reviews.csv"文件，并打印数据信息。
```
df = pd.read_csv("../data/Clothing Reviews.csv")
print(df.info())
```
数据预处理：
- 将’Review Text’列转换为字符串类型。
- 从数据框中提取训练数据x_train和标签y_train。
```
df['Review Text'] = df['Review Text'].astype(str)
x_train = df['Review Text']
y_train = df['Rating']
```
文本标记化：
- 使用Tokenizer进行文本标记，创建一个字典来将每个词映射到一个整数值。
- 通过调用fit_on_texts方法对评论文本进行学习。
```
dict_size = 14848
tokenizer = Tokenizer(num_words=dict_size)
tokenizer.fit_on_texts(x_train)
```
- 将评论文本转换为整数序列。
```
x_train_tokenized = tokenizer.texts_to_sequences(x_train)
```
序列填充：为了确保所有序列长度相同，使用pad_sequences对序列进行填充或截断。
```
max_comment_length = 120
x_train = pad_sequences(x_train_tokenized, maxlen=max_comment_length)
```

构建RNN模型：

初始化一个序贯模型Sequential。
添加一个Embedding层，将词汇转换为固定大小的向量。
添加一个SimpleRNN层，含有100个神经元。
添加两个全连接层Dense，用于分类任务。

编译模型，设置损失函数、优化器和评估标准。

rnn = Sequential()
rnn.add(Embedding(input_dim=dict_size, output_dim=60, input_length=max_comment_length))
rnn.add(SimpleRNN(units=100))
rnn.add(Dense(units=10, activation=tf.nn.relu))
rnn.add(Dense(units=6, activation=tf.nn.softmax))
rnn.compile(loss='sparse_categorical_crossentropy', optimizer="adam", metrics=['accuracy'])

模型结构

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 embedding (Embedding)       (None, 120, 60)           890880    
                                                                 
 simple_rnn (SimpleRNN)      (None, 100)               16100     
                                                                 
 dense (Dense)               (None, 10)                1010      
                                                                 
 dense_1 (Dense)             (None, 6)                 66

模型摘要：打印模型的摘要，显示各层的细节。
```
print(rnn.summary())
```
训练模型：使用提取的数据训练RNN模型，并将30%的数据用作验证集。训练1个epoch。
```
result = rnn.fit(x_train, y_train, batch_size=64, validation_split=0.3, epochs=1)
```
打印结果：显示模型的训练历史。
```
print(result)
print(result.history)
```

总之，这段代码首先进行数据预处理，然后构建和训练一个RNN模型来对评论进行分类。

代码解读

当然可以！下面是逐行解读的代码：

tf.random.set_seed(1):
- 设置全局随机种子为1，确保随机过程的可重复性。
df = pd.read_csv(“…/data/Clothing Reviews.csv”):
- 使用pandas读取CSV文件，并将其内容赋值给df。
print(df.info()):
- 打印df的简要摘要，包括每列的非空值数量、数据类型等信息。
df[‘Review Text’] = df[‘Review Text’].astype(str):
- 将DataFrame中的’Review Text’列转换为字符串类型。
x_train = df[‘Review Text’]:
- 从df中提取’Review Text’列的内容，并将其赋值给x_train。
y_train = df[‘Rating’]:
- 从df中提取’Rating’列的内容，并将其赋值给y_train。
from tensorflow.keras.preprocessing.text import Tokenizer:
- 从TensorFlow库中导入文本标记化工具。
dict_size = 14848:
- 设置词汇表的大小为14848。
tokenizer = Tokenizer(num_words=dict_size):
- 初始化一个Tokenizer对象，其最大词汇数为dict_size。
tokenizer.fit_on_texts(x_train):

根据x_train中的文本内容为tokenizer对象构建词汇表。

print(len(tokenizer.word_index), tokenizer.index_word):

打印词汇表的大小和具体的词-索引映射。

x_train_tokenized = tokenizer.texts_to_sequences(x_train):

将x_train中的文本转换为整数序列，并赋值给x_train_tokenized。

from tensorflow.keras.preprocessing.sequence import pad_sequences:

从TensorFlow库中导入序列填充工具。

max_comment_length = 120:

设置评论的最大长度为120。

x_train = pad_sequences(x_train_tokenized, maxlen=max_comment_length):

将x_train_tokenized中的序列填充或截断为统一的长度（120）。

for v in x_train[:10]: print(v, len(v)):

打印x_train中前10个序列及其长度。

from tensorflow.keras.models import Sequential 和其他导入语句:

从TensorFlow库中导入所需的模型和层。

rnn = Sequential():

初始化一个Sequential模型对象，并赋值给rnn。

rnn.add(Embedding(…)):

向模型中添加一个Embedding层。

rnn.add(SimpleRNN(units=100)):

添加一个包含100个神经元的SimpleRNN层。

rnn.add(Dense(units=10, activation=tf.nn.relu)):

添加一个全连接层，包含10个神经元并使用ReLU激活函数。

rnn.add(Dense(units=6, activation=tf.nn.softmax)):

添加输出层，包含6个神经元，并使用Softmax激活函数。

rnn.compile(…):

编译模型，指定损失函数、优化器和评估标准。

print(rnn.summary()):

打印模型的摘要，展示每层的参数数量。

result = rnn.fit(…):

使用指定的训练数据和验证数据集进行模型训练，并将训练结果赋值给result。

print(result):

打印训练过程的结果。

print(result.history):

打印训练过程中的历史数据，如每个周期的损失和准确率。

该代码的主要目的是使用Recurrent Neural Network (RNN)来对"Clothing Reviews.csv"中的评论进行分类。

知识点介绍

当然可以！以下是对每个重要函数的详细介绍：

tf.random.set_seed(1)：
- 功能：设置全局随机种子，确保随机过程的可重复性。
pd.read_csv(“…/data/Clothing Reviews.csv”)：
- 功能：使用pandas库读取CSV文件，并返回一个DataFrame对象。
df[‘Review Text’].astype(str)：
- 功能：将DataFrame中的’Review Text’列转换为字符串类型。
Tokenizer(num_words=dict_size)：
- 功能：初始化一个Tokenizer对象，该对象可以将文本转换为整数序列。
- 参数：num_words表示Tokenizer对象将使用的最大单词数。这意味着只有出现频率最高的dict_size个词将被考虑。
tokenizer.fit_on_texts(x_train)：
- 功能：根据提供的文本数据，为Tokenizer对象构建词汇表。
tokenizer.texts_to_sequences(x_train)：
- 功能：将文本列表转换为整数序列列表，其中整数是词汇表中词的索引。
pad_sequences(x_train_tokenized, maxlen=max_comment_length)：
- 功能：将整数序列列表转换为2D Numpy数组，长度不足的序列将被填充，长度超出的序列将被截断。
- 参数：maxlen定义了序列的最大长度。
Sequential()：
- 功能：初始化一个线性堆叠模型，允许按顺序添加层。
Embedding(input_dim=dict_size, output_dim=60, input_length=max_comment_length)：
- 功能：将整数标记转换为密集向量。
- 参数：input_dim是词汇表的大小，output_dim是嵌入向量的维度，input_length是输入序列的长度。
SimpleRNN(units=100)：

功能：添加一个SimpleRNN层，它是RNN的一个简化版本。
参数：units定义了RNN单元的数量。

Dense(units=10, activation=tf.nn.relu) 和 Dense(units=6, activation=tf.nn.softmax)：

功能：添加一个全连接层。
参数：units定义了层中神经元的数量，activation是激活函数。

rnn.compile(…)：

功能：编译模型，准备进行训练。
参数：loss定义了损失函数，optimizer定义了优化算法，metrics定义了模型评估的标准。

rnn.fit(x_train, y_train, batch_size=64, validation_split=0.3, epochs=1)：

功能：训练模型。
参数：batch_size定义了每次梯度更新使用的样本数量，validation_split定义了用于验证的数据的比例，epochs定义了训练周期的数量。