【课程总结】Day17（上）：NLP自然语言处理及RNN网络

日期： 2024-07-30
时间： 01:46
作者： Dongming
阅读量: 815

内容目录

前言

在机器学习章节【课程总结】Day6（上）：机器学习项目实战–外卖点评情感分析预测中，我们曾借助sklearn进行了外卖点评的情感分析预测；接下来，我们将深入了解自然语言处理的基本概念、RNN模型以及借助RNN重新进行外卖点评的情感分析预测。

自然语言处理基本概念

正如机器学习中所学内容：数据集是汉字 ，机器无法处理(因为机器学习底层是对数字的处理)，所以我们首先需要对数据数字化(也叫汉字向量化)。

因此，本章我们将重新学习汉字向量化的处理过程。

汉字向量化处理步骤

分词处理

第一步：使用jieba进行分词

import jieba
import torch 
from torch import nn

s1 = '我吃饭了！'
s2 = '今天天气很好！'
s3 = '这辆车很好看！'

# 使用jieba分词
jieba.lcut(s3)

# 输出结果
# ['这辆', '车', '很', '好看', '！']

# 对s1~s3进行分词
words = {word for sentence in [s1, s2, s3] for word in jieba.lcut(sentence)}

# 输出结果为
# {'了', '今天天气', '吃饭', '好', '好看', '很', '我', '车', '这辆', '！'}

# 添加中间词
# <PAD>代表填充，用于补齐保持数据集长度一致
# <UNK>代表未知词
words.add("<PAD>")
words.add("<UNK>")

构建词典

第二步：构建词典

word2idx = {word: idx for idx, word in enumerate(words)}
idx2word = {idx: word for idx, word in enumerate(words)}

# word2idx内容为：
# {'很': 0,
#  '今天天气': 1,
#  '我': 2,
#  '吃饭': 3,
#  '<UNK>': 4,
#  '！': 5,
#  '<PAD>': 6,
#  '好看': 7,
#  '好': 8,
#  '了': 9,
#  '这辆': 10,
#  '车': 11}

# idx2word内容为：
# {0: '很',
#  1: '今天天气',
#  2: '我',
#  3: '吃饭',
#  4: '<UNK>',
#  5: '！',
#  6: '<PAD>',
#  7: '好看',
#  8: '好',
#  9: '了',
#  10: '这辆',
#  11: '车'}

数据对齐

第三步：将数据长度对齐

idx1 = [word2idx.get(word, word2idx.get("<UNK>")) for word in jieba.lcut(s1)]
idx2 = [word2idx.get(word, word2idx.get("<UNK>")) for word in jieba.lcut(s2)]
idx3 = [word2idx.get(word, word2idx.get("<UNK>")) for word in jieba.lcut(s3)]

# 运行结果：
# [2,  3,  9, 5]
# [1,  0,  8, 5]
# [10, 11, 0, 7, 5]
# 可以看到s1,s2,s3长度不一致

# 补1个<PAD>，使得长度一致
idx1 = idx1 + [word2idx['<PAD>']]
idx2 = idx2 + [word2idx['<PAD>']]

# 补齐后结果：
# [2,  3,  9, 5, 6]
# [1,  0,  8, 5, 6]
# [10, 11, 0, 7, 5]
# 可以看到经过补<PAD>后，s1,s2,s3长度一致

转张量

第四步：将数据转换为tensor张量

X = torch.tensor(data=[idx1, idx2, idx3], dtype=torch.long)

# 运行结果：
# tensor([[ 2,  3,  9,  5,  6],
#         [ 1,  0,  8,  5,  6],
#         [10, 11,  0,  7,  5]])

X.shape
# 输出结果：
# torch.Size([5, 3])

知识点补充：

上述结构为 [seq_len, batch_size]

seq_len：序列长度

batch_size：批次大小

词向量处理

embedding概念

定义：“Embedding”（嵌入）是指将离散的对象（如单词、句子或其他类别）转换为连续的向量表示的过程。

nn.Embedding

nn.Embedding 是 PyTorch 中用于将离散的整数索引映射到连续的向量表示的一个重要模块。它通常用于自然语言处理（NLP）任务中，将词汇表中的每个单词（或符号）映射到一个固定大小的向量空间。

概念：nn.Embedding 是一个查找表，它将每个单词的索引映射到一个稠密的向量。这个向量可以被视为该单词的嵌入（embedding），它捕捉了单词之间的语义关系。

作用：

维度降低：将高维的稀疏数据（如独热编码）转换为低维的稠密向量，减少计算复杂度。
语义表示：嵌入向量可以捕捉单词之间的语义关系，例如“国王”和“王后”之间的关系。
训练灵活性：嵌入向量是可训练的参数，随着模型的训练，向量会根据上下文的不同而调整，从而更好地表示单词的含义。

nn.Embedding的使用

# num_embeddings：词汇表的大小，即可以嵌入的单词（或符号）的总数。
# embedding_dim：每个单词嵌入向量的维度，即降维之后的向量
# 过程：
# 1.先对单词进行One-hot编码，
# 2.然后乘以可学习的降维矩阵，进行线性降维，得到稠密矩阵

embed = nn.Embedding(num_embeddings=len(word2idx), 
                     embedding_dim=6)

# [3, 5, 12] --> [3, 5, 6]
# [3, 5, 12]是降维矩阵，3代表有3句话，每句话5个单词，每个单词是12维的向量
# [3, 5,  6]是降维后的稠密矩阵，3代表有3句话，每句话5个单词，每个单词是6维的向量

embed(X)
# 输出结果：
# tensor([[[-0.4017,  1.0236,  2.2761, -0.7839,  0.7540, -0.2321],
#          [-1.6476, -0.4885,  0.0074,  0.5844,  0.7727, -0.8194],
#          [ 1.7552, -1.5381, -0.6061,  0.9384,  1.7029, -0.8575],
#          [ 1.3455, -1.1269, -0.9036,  0.2579,  0.2227, -0.1865],
#          [-1.5439,  0.7572, -0.1988, -1.4769, -1.1864,  0.9779]],

#         [[ 0.2663, -0.2779, -0.3478,  0.2670,  0.6165,  1.1189],
#          [ 0.8495, -1.6437,  0.4758,  1.7543,  1.3755, -0.3943],
#          [-0.5781,  1.8609, -0.2794,  0.0876,  0.6801, -0.5056],
#          [ 1.3455, -1.1269, -0.9036,  0.2579,  0.2227, -0.1865],
#          [-1.5439,  0.7572, -0.1988, -1.4769, -1.1864,  0.9779]],

#         [[ 1.3642, -2.9807,  0.6432, -0.3364, -0.5630,  2.3331],
#          [-0.7616,  1.9371,  0.1402,  1.2046,  0.4930,  0.8405],
#          [ 0.8495, -1.6437,  0.4758,  1.7543,  1.3755, -0.3943],
#          [-0.4715,  1.9458, -0.9278, -0.7103,  0.0582,  0.6413],
#          [ 1.3455, -1.1269, -0.9036,  0.2579,  0.2227, -0.1865]]],
#        grad_fn=<EmbeddingBackward0>)

embed(X).shape
# 输出结果：
# torch.Size([3, 5, 6])
# 上述结构也表示为[N ,Seq_len, Embedding_dim]

知识点补充：

NLP中的经典结构为 [N ,Seq_len, Embedding_dim]

CV中的经典结构为 [N, C, H, W]

关于矩阵降维，可以查看【课程总结】Day5（下）：PCA降维、SVD分解、聚类算法和集成学习进行回顾。

以上为自然语言处理基本概念，以及词向量处理。由于语言是具有时序性的，所以接下来将了解循环神经网络。

RNN循环神经网络

背景

一个例子：

“狗追猫。”
“猫追狗。”

解释：在这两个句子中，单词的顺序是不同的，但它们的意思完全相反。第一个句子表示狗在追猫，而第二个句子则表示猫在追狗。这表明，单词的排列顺序（或时序）对于理解句子的含义至关重要。

在处理有时序性的语言时，模型通常使用以下方法：

RNN（递归神经网络）：通过循环结构来处理序列数据，能够记住之前的状态，从而捕捉时序关系。
LSTM（长短期记忆网络）和 GRU（门控循环单元）：这些是 RNN 的变种，能够更好地处理长距离依赖关系。

RNN的简介

循环神经网络（Recurrent Neural Network，简称RNN）是一种能够处理序列数据的神经网络模型。循环神经网络属于深度学习神经网络（DNN），与传统的前馈神经网络不同，RNN在处理每个输入时都会保留一个隐藏状态，该隐藏状态会被传递到下一个时间步，以便模型能够记忆之前的信息。

RNN的结构

资料地址：https://colah.github.io/posts/2015-08-Understanding-LSTMs/
图示说明：

$X_t$ ：当前时间步的输入向量。
$A$ ：连接输入层和隐藏层的权重矩阵。
$h_t$ ：当前时间步的隐状态，包含了序列的上下文信息。

例如：我吃饭了!
$x_0$ = “我”， $x_0$ 输入到权重矩阵 A 得到 $h_0$
$x_1$ = "吃"， $x_1$ 再输入到权重矩阵与上一步的 $h_0$ 合并得到 $h_1$
$x_2$ = "饭"， $x_2$ 再输入到权重矩阵与上一步的 $h_1$ 合并得到 $h_2$
…
最终得到 $h_n$ ， $h_n$ 就是序列的上下文信息。

RNN的计算公式

 $h_t = \tanh(x_t W_{ih}^T + b_{ih} + h_{t-1} W_{hh}^T + b_{hh})$

$h_t$ ：在时间步 $t$ 的隐状态，表示当前时间步的记忆。
$x_t$ ：在时间步 $t$ 的输入向量，表示当前输入。
$W_{ih}$ ：输入到隐状态的权重矩阵，用于将当前输入 $x_t$ 转换为隐状态的输入部分。
$W_{hh}$ ：隐状态到隐状态的权重矩阵，用于将前一时间步的隐状态 $h_{t-1}$ 传递到当前时间步。
$b_{ih}$ 和 $b_{hh}$ ：分别是输入和隐状态的偏置项。
$\tanh$ ：激活函数，通常用于引入非线性特性，使模型能够学习复杂的模式。

知识点补充：
激活函数使用了Tanh函数而不使用Sigmoid函数的原因是：

Sigmoid的导数范围在[0,0.25]之内；

Tanh的导数范围在(0,1]；

RNN需要不断的循环，导数值小的更容易导致梯度消失。

RNN的API使用

自动循环

# 自动循环：
# 创建RNN模型
rnn = nn.RNN(input_size=6, 
             hidden_size=7, 
             batch_first=True)

# 接着之前的例子
X1 = embed(X)

out, hn = rnn(X1)
out.shape, hn.shape
# 输出结果：
# torch.Size([3, 5, 7])
# torch.Size([1, 3, 7])

# out.shape：每一步的输出
# hn.shape：最后一步的输出

手写循环

# 手动循环：
# 创建RNN模型
rnn_cell = nn.RNNCell(input_size=128,
                        hidden_size=256)

X = torch.randn(13, 2, 128)
X.shape
# 输出结果：
# torch.Size([13, 2, 128])

"""
    手写循环实现RNN
"""
h0 = torch.zeros(2, 256, dtype=torch.float32)
out = []
for x in X:
    h0 = rnn_cell(x, h0)
    out.append(h0)
out = torch.stack(out)
len(out), out.shape
# 输出结果：
# (13, torch.Size([13, 2, 256]))

项目：外卖点评情感分析预测(使用RNN)

(待补充)

内容小结

NLP自然语言处理
- 数据对齐：在数据对齐时，可以通过添加\<PAD>补齐长度
- “Embedding”（嵌入）是指将离散的对象（如单词、句子或其他类别）转换为连续的向量表示的过程。
- torch中使用nn.Embedding进行嵌入操作。
- Embedding的过程是：先对单词进行One-hot编码，然后乘以可学习的降维矩阵，进行线性降维，得到稠密矩阵
- NLP中的经典结构为 [N ,Seq_len, Embedding_dim]
RNN循环神经网络
- RNN通过循环结构来处理序列数据，能够记住之前的状态，从而捕捉时序关系。
- RNN在处理每个输入时都会保留一个隐藏状态，该隐藏状态会被传递到下一个时间步，以便模型能够记忆之前的信息
- 使用RNN模型时，可以通过nn.RNN创建模型，out.shape对应是每一步的输出，hn.shape对应是最后一步的输出
- RNN的计算公式中，激活函数使用了Tanh函数的原因是：RNN需要不断的循环，导数值小的更容易导致梯度消失。