临沂建设网站公司,广东省省的建设厅官方网站,关于网站建设的建议的征集,网站建设的前端用什么编程Word2Vec模型通过学习大量文本数据#xff0c;将每个单词表示为一个连续的向量#xff0c;这些向量可以捕捉单词之间的语义和句法关系。本文做文本分类是结合Word2Vec文本内容text#xff0c;预测其文本标签label。以下使用mock商品数据的代码实现过程过下#xff1a;
1、…Word2Vec模型通过学习大量文本数据将每个单词表示为一个连续的向量这些向量可以捕捉单词之间的语义和句法关系。本文做文本分类是结合Word2Vec文本内容text预测其文本标签label。以下使用mock商品数据的代码实现过程过下
1、准备数据
import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warningswarnings.filterwarnings(ignore) device torch.device(cuda if torch.cuda.is_available() else cpu)
print(device)tmp spark.sql(
select sku_name,scenefrom dmb_rpt.dmb_jdt_dmbrpt_items_attribute_a_det_m where dt2024-07-15
group by sku_name,scene
)
tmp.show(2, False)corpus_file large_corpus_sku_name_and_category.txt
tmp.toPandas().to_csv(corpus_file, sep,, indexFalse, modew,headerFalse )2、加载数据
import pandas as pd# 加载自定义中文数据
train_data pd.read_csv(corpus_file, sep,, headerNone)
print(train data:,train_data[:5])# 构造数据集迭代器
def coustom_data_iter(texts, labels):for x, y in zip(texts, labels):yield x, yx train_data[0].values[:]
#多类标签的one-hot展开
y train_data[1].values[:]
print(x[:5]:\n,x[:5])
print(y[:5]:\n,y[:5]) 3、训练 Word2Vec 模型
from gensim.models.word2vec import Word2Vec
import numpy as np# 训练 Word2Vec 浅层神经网络模型
w2v Word2Vec(vector_size100, #是指特征向量的维度默认为100。min_count3) #可以对字典做截断. 词频少于min_count次数的单词会被丢弃掉, 默认值为5。w2v.build_vocab(x)
w2v.train(x, total_examplesw2v.corpus_count, epochs20)# Word2Vec可以直接训练模型一步到位。这里分了三步
# 第一步构建一个空模型
# 第二步使用 build_vocab 方法根据输入的文本数据 x 构建词典。build_vocab 方法会统计输入文本中每个词汇出现的次数并按照词频从高到低的顺序将词汇加入词典中。
# 第三步使用 train 方法对模型进行训练total_examples 参数指定了训练时使用的文本数量这里使用的是 w2v.corpus_count 属性表示输入文本的数量# 保存 Word2Vec 模型及词向量
w2v.save(w2v_model.pkl)
4、搭建文本分类模型
4.1 查看文本分类
# 查看分类
label_name list(set(train_data[1].values[:]))
print(label_name) 4.2 定义文本向量处理函数
# 将文本转化为向量
def average_vec(text):vec np.zeros(100).reshape((1, 100))for word in text:try:vec w2v.wv[word].reshape((1, 100))except KeyError:continuereturn vec# 这段代码定义了一个函数 average_vec(text)它接受一个包含多个词的列表 text 作为输入并返回这些词对应词向量的平均值。该函数# 首先初始化一个形状为 (1, 100) 的全零 numpy 数组来表示平均向量
# 然后遍历 text 中的每个词并尝试从 Word2Vec 模型 w2v 中使用 wv 属性获取其对应的词向量。如果在模型中找到了该词函数将其向量加到 vec 中。如果未找到该词函数会继续迭代下一个词
# 最后函数返回平均向量 vec# 然后使用列表推导式将 average_vec() 函数应用于列表 x 中的每个元素。得到的平均向量列表使用 np.concatenate() 连接成一个 numpy 数组 x_vec
# 该数组表示 x 中所有元素的平均向量。x_vec 的形状为 (n, 100)其中 n 是 x 中元素的数量。# 定义文本向量为词向量的avg
text_pipeline lambda x: average_vec(x)
# 根据分类index查找分类名称
label_pipeline lambda x: label_name.index(x)print(text_pipeline(茅台贵州))
print(label_pipeline(聚会)) 4.3 搭建文本分类模型
from torch.utils.data import DataLoaderdef collate_batch(batch):label_list, text_list [], []for (_text, _label) in batch:# 标签列表label_list.append(label_pipeline(_label))# 文本列表processed_text torch.tensor(text_pipeline(_text), dtypetorch.float32)text_list.append(processed_text)label_list torch.tensor(label_list, dtypetorch.int64)text_list torch.cat(text_list)return text_list.to(device),label_list.to(device)from torch import nn# 模型搭建
class TextClassificationModel(nn.Module):def __init__(self, num_class):super(TextClassificationModel, self).__init__()self.fc nn.Linear(100, num_class)def forward(self, text):return self.fc(text)# 训练和评估
import timedef train(dataloader):model.train() # 训练模式total_acc, train_loss, total_count 0, 0, 0log_interval 50start_time time.time()for idx, (text,label) in enumerate(dataloader):predicted_label model(text)optimizer.zero_grad() # grad属性归零loss criterion(predicted_label, label) # 计算网络输出和真实值之间的差距label为真实值loss.backward() # 反向传播torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪optimizer.step() # 每一步自动更新# 记录acc与losstotal_acc (predicted_label.argmax(1) label).sum().item()train_loss loss.item()total_count label.size(0)if idx % log_interval 0 and idx 0:elapsed time.time() - start_timeprint(| epoch {:1d} | {:4d}/{:4d} batches | train_acc {:4.3f} train_loss {:4.5f}.format(epoch, idx,len(dataloader),total_acc/total_count, train_loss/total_count))total_acc, train_loss, total_count 0, 0, 0start_time time.time()def evaluate(dataloader):model.eval() # 测试模式total_acc, train_loss, total_count 0, 0, 0with torch.no_grad():for idx, (text,label) in enumerate(dataloader):predicted_label model(text)loss criterion(predicted_label, label) # 计算loss值# 记录测试数据total_acc (predicted_label.argmax(1) label).sum().item()train_loss loss.item()total_count label.size(0)return total_acc/total_count, train_loss/total_count 4.4 加载数据模型训练
# !pip install torchtext
import math
from torch.utils.data.dataset import random_split
from torchtext.data.functional import to_map_style_dataset# 初始化
num_class len(label_name)
vocab_size 100000
em_size 12
model TextClassificationModel(num_class).to(device)# 超参数
EPOCHS 10 # epoch
LR 5 # 学习率
BATCH_SIZE 64*6 # batch size for trainingcriterion torch.nn.CrossEntropyLoss()
optimizer torch.optim.SGD(model.parameters(), lrLR)
scheduler torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma0.1)
total_accu None# 构建数据集
train_iter coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset to_map_style_dataset(train_iter)split_train_, split_valid_ random_split(train_dataset, [math.floor(len(train_dataset) *0.8), math.ceil(len(train_dataset) *0.2)])train_dataloader DataLoader(split_train_, batch_sizeBATCH_SIZE,shuffleTrue, collate_fncollate_batch)valid_dataloader DataLoader(split_valid_, batch_sizeBATCH_SIZE,shuffleTrue, collate_fncollate_batch)for epoch in range(1, EPOCHS 1):epoch_start_time time.time()train(train_dataloader)val_acc, val_loss evaluate(valid_dataloader)# 获取当前的学习率lr optimizer.state_dict()[param_groups][0][lr]if total_accu is not None and total_accu val_acc:scheduler.step()else:total_accu val_accprint(- * 69)print(| epoch {:1d} | time: {:4.2f}s | valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}.format(epoch,time.time() - epoch_start_time,val_acc,val_loss,lr))print(- * 69) 4.5 模型评价
test_acc, test_loss evaluate(valid_dataloader)
print(模型准确率为{:5.4f}.format(test_acc))
模型准确率为0.6767
4.6 模型文本分类预测
def predict(text, text_pipeline):with torch.no_grad():text torch.tensor(text_pipeline(text), dtypetorch.float32)print(text.shape)print(:, text)output model(text)return output.argmax(1).item()model model.to(cpu)for ex_text_str in [【浓香】五粮液甲辰龙年纪念酒5瓶装, 【浓香】五粮液财富人生蓝钻, 【酱香】茅台集团 茅乡名家名作酒, 【浓香】五粮液囍祥瑞添福文化酒]:print(该商品适合的场景是%s %label_name[predict(ex_text_str, text_pipeline)]) Done
