Doc2Vec和Logistic回归的多类文本分类

Doc2vec是一个NLP工具,用于将文档表示为向量,是word2vec方法的推广。为了理解doc2vec,最好理解word2vec方法。

 

 

Doc2vec是一个NLP工具,用于将文档表示为向量,是word2vec方法的推广。 为了理解doc2vec,最好理解word2vec方法。但是,完整的数学细节超出了本文的范围。如果您是word2vec和doc2vec的新手,以下资源可以帮助您入门:

单词和短语的分布式表示及其组合
句子和文档的分布式表示
Doc2Vec的简介
关于IMDB情感数据集的Gensim Doc2Vec教程
word嵌入的文档分类教程

在使用Scikit-Learn进行多类文本分类时使用相同的数据集,在本文中,我们将使用Gensim中的doc2vec技术对产品的投诉进行分类。让我们开始吧!

 

数据

 

目标是将消费者金融投诉分为预先定义好的12类。这些数据可以从data.gov下载。

 

import pandas as pd
import numpy as np
from tqdm import tqdm
tqdm.pandas(desc="progress-bar")
from gensim.models import Doc2Vec
from sklearn import utils
from sklearn.model_selection import train_test_split
import gensim
from sklearn.linear_model import LogisticRegression
from gensim.models.doc2vec import TaggedDocument
import re
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_csv('Consumer_Complaints.csv')
df = df[['Consumer complaint narrative','Product']]
df = df[pd.notnull(df['Consumer complaint narrative'])]
df.rename(columns = {'Consumer complaint narrative':'narrative'}, inplace = True)
df.head(10)

 

 

在删除叙述性列中的null值之后,我们需要重新索引数据框架。

 

df.shape

 

(318718, 2)

 

df.index = range(318718)
df['narrative'].apply(lambda x: len(x.split(' '))).sum()

 

我们有超过6300万字,这是一个比较大的数据集。

 

探索

 

cnt_pro = df['Product'].value_counts()
plt.figure(figsize=(12,4))
sns.barplot(cnt_pro.index, cnt_pro.values, alpha=0.8)
plt.ylabel('Number of Occurrences', fontsize=12)
plt.xlabel('Product', fontsize=12)
plt.xticks(rotation=90)
plt.show();

 

 

然而,这些类是不平衡的,一个朴素分类器预测所有要收债的东西只会达到20%以上的准确率。 让我们看几个投诉叙述及其相关产品的例子。

 

def print_complaint(index):
    example = df[df.index == index][['narrative', 'Product']].values[0]
    if len(example) > 0:
        print(example[0])
        print('Product:', example[1])
print_complaint(12)
print_complaint(20)

 

文本预处理

 

下面我们定义了一个函数,用于将文本转换为小写,并从单词中删除标点/符号等等。

 

from bs4 import BeautifulSoup
def cleanText(text):
    text = BeautifulSoup(text, "lxml").text
    text = re.sub(r'\|\|\|', r' ', text) 
    text = re.sub(r'http\S+', r'<URL>', text)
    text = text.lower()
    text = text.replace('x', '')
    return text
df['narrative'] = df['narrative'].apply(cleanText)

 

下面的步骤包括训练测试分离为70/30,使用NLTK标记器删除停止字和标记文字。在我们的第一次尝试中,我们给每一个投诉故事都贴上了产品标签。

 

train, test = train_test_split(df, test_size=0.3, random_state=42)
import nltk
from nltk.corpus import stopwords
def tokenize_text(text):
    tokens = []
    for sent in nltk.sent_tokenize(text):
        for word in nltk.word_tokenize(sent):
            if len(word) < 2:
                continue
            tokens.append(word.lower())
    return tokens
train_tagged = train.apply(
    lambda r: TaggedDocument(words=tokenize_text(r['narrative']), tags=[r.Product]), axis=1)
test_tagged = test.apply(
    lambda r: TaggedDocument(words=tokenize_text(r['narrative']), tags=[r.Product]), axis=1)

 

这就是培训条目的样子——一个以“信用报告”为标签的投诉叙述示例。

 

train_tagged.values[30]

 

建立Doc2Vec训练/评估模型

 

首先,我们实例化一个doc2vec模型——分布式词袋(DBOW)。在word2vec体系结构中,两个算法名称分别为“连续词袋”(CBOW)和“skip-gram”(SG);在doc2vec架构中,相应的算法有“分布式内存”(DM)和“分布式词袋”(DBOW)。

 

分布式词袋(DBOW)

 

DBOW是doc2vec模型,类似于word2vec中的Skip-gram模型。通过训练神经网络来预测段落中随机抽取的单词的概率分布,得到段落向量。 我们会更改以下参数:

如果dm=0,则使用分布式词袋包(PV-DBOW);如果dm=1,则使用“分布式内存”(PV-DM)。
300维特征向量。
min_count=2,忽略总频率低于这个值的所有单词。
negative = 5, 指定应该绘制多少个“噪声字”。
hs=0,负是非零,用负抽样。
sample=0,用于配置哪些高频率单词是随机向下采样的阈值。
workers=cores,使用这些工人线程来训练模型(=用多核机器进行更快的训练)。

import multiprocessing
cores = multiprocessing.cpu_count()

 

建立词汇

 

model_dbow = Doc2Vec(dm=0, vector_size=300, negative=5, hs=0, min_count=2, sample = 0, workers=cores)
model_dbow.build_vocab([x for x in tqdm(train_tagged.values)])

 

在Gensim中,doc2vec模型的训练相当简单,我们对模型进行了初始化,并对其进行了30次的训练。

 

%%time
for epoch in range(30):
    model_dbow.train(utils.shuffle([x for x in tqdm(train_tagged.values)]), total_examples=len(train_tagged.values), epochs=1)
    model_dbow.alpha -= 0.002
    model_dbow.min_alpha = model_dbow.alpha

 

为分类器构建最终的向量特征

 

def vec_for_learning(model, tagged_docs):
    sents = tagged_docs.values
    targets, regressors = zip(*[(doc.tags[0], model.infer_vector(doc.words, steps=20)) for doc in sents])
    return targets, regressorsdef vec_for_learning(model, tagged_docs):
    sents = tagged_docs.values
    targets, regressors = zip(*[(doc.tags[0], model.infer_vector(doc.words, steps=20)) for doc in sents])
    return targets, regressors

 

训练逻辑回归分类器。

 

y_train, X_train = vec_for_learning(model_dbow, train_tagged)
y_test, X_test = vec_for_learning(model_dbow, test_tagged)
logreg = LogisticRegression(n_jobs=1, C=1e5)
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
from sklearn.metrics import accuracy_score, f1_score
print('Testing accuracy %s' % accuracy_score(y_test, y_pred))
print('Testing F1 score: {}'.format(f1_score(y_test, y_pred, average='weighted')))

 

Testing accuracy 0.6683609437751004 Testing F1 score: 0.651646431211616

 

分布式内存(DM)

 

分布式内存(DM)充当的是一种内存,它可以记住当前上下文中缺少的内容——或者作为段落的主题。虽然单词向量表示单词的概念,但是文档向量打算表示文档的概念。我们再次实例化一个向量大小为300字的Doc2Vec模型,并在训练语料库中迭代30次。

 

model_dmm = Doc2Vec(dm=1, dm_mean=1, vector_size=300, window=10, negative=5, min_count=1, workers=5, alpha=0.065, min_alpha=0.065)
model_dmm.build_vocab([x for x in tqdm(train_tagged.values)])

 

%%time
for epoch in range(30):
    model_dmm.train(utils.shuffle([x for x in tqdm(train_tagged.values)]), total_examples=len(train_tagged.values), epochs=1)
    model_dmm.alpha -= 0.002
    model_dmm.min_alpha = model_dmm.alpha

 

训练逻辑回顾分类器

 

y_train, X_train = vec_for_learning(model_dmm, train_tagged)
y_test, X_test = vec_for_learning(model_dmm, test_tagged)
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
print('Testing accuracy %s' % accuracy_score(y_test, y_pred))
print('Testing F1 score: {}'.format(f1_score(y_test, y_pred, average='weighted')))

 

Testing accuracy 0.47498326639892907 Testing F1 score: 0.4445833078167434

 

模型匹配

 

根据Gensim doc2vec教程关于IMDB情绪数据集的介绍,将分布式词汇包(DBOW)和分布式内存(DM)中的段落向量组合在一起可以提高性能。接下来,我们将把这些模型组合在一起进行评估。

 

首先,我们删除临时的训练数据来释放RAM。

 

model_dbow.delete_temporary_training_data(keep_doctags_vectors=True, keep_inference=True)
model_dmm.delete_temporary_training_data(keep_doctags_vectors=True, keep_inference=True)

 

连接两个模型

 

from gensim.test.test_doc2vec import ConcatenatedDoc2Vec
new_model = ConcatenatedDoc2Vec([model_dbow, model_dmm])

 

构建特征向量

 

def get_vectors(model, tagged_docs):
    sents = tagged_docs.values
    targets, regressors = zip(*[(doc.tags[0], model.infer_vector(doc.words, steps=20)) for doc in sents])
    return targets, regressors

 

训练逻辑回归模型

 

y_train, X_train = get_vectors(new_model, train_tagged)
y_test, X_test = get_vectors(new_model, test_tagged)
logreg.fit(X_train, y_train)
y_pred = logreg.predict(X_test)
print('Testing accuracy %s' % accuracy_score(y_test, y_pred))
print('Testing F1 score: {}'.format(f1_score(y_test, y_pred, average='weighted')))

 

Testing accuracy 0.6778572623828648 Testing F1 score: 0.664561533967402

 

结果提高了1%。 在本文中,我使用训练集对doc2vec进行训练,但是在 Gensim的教程 中,使用整个数据集进行训练,我尝试了这种方法,使用整个数据集对doc2vec分类器进行训练,用于我们的消费者投诉分类,我的准确率达到了70%。你可以在这里找到 Notebook ,这是一个不同的方法。

 

上面分析的 Jupyter笔记本 可以在 Github 上找到。我期待着听到任何问题。

 

作者:Susan Li 原文链接: https://www.kdnuggets.com/2018/11/multi-class-text-classification-doc2vec-logistic-regression.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注