目录

前言：

一、论文笔记

二、Keras文本预处理

1、读取数据集

2、将文字转换成数字特征

3、将每条文本转换为数字列表

4、将每条文本设置为相同长度

5、将每个词编码转换为词向量

6、Keras文本预处理代码实现

三、基于keras的TextCNN模型的构建、训练与测试

1、基础版CNN（模仿LeNet-5）

2、简单版TextCNN

3、使用Word2Vec词向量的TextCNN

四、绘制TextCNN模型结构图

1、环境配置

2、绘制模型图

五、keras模型的保存与加载

前言：

深度学习模型在计算机视觉与语音识别方面取得了卓越的成就，在 NLP 领域也是可以的。将卷积神经网络CNN应用到文本分类任务，利用多个不同size的kernel来提取句子中的关键信息（类似 n-gram 的关键信息），从而能够更好地捕捉局部相关性。

文本分类是自然语言处理领域最活跃的研究方向之一，目前文本分类在工业界的应用场景非常普遍，从新闻的分类、商品评论信息的情感分类到微博信息打标签辅助推荐系统，了解文本分类技术是NLP初学者比较好的切入点，较简单且应用场景高频。

一、论文笔记

1、Yoon Kim在2014年 “Convolutional Neural Networks for Sentence Classification” 论文中提出TextCNN（利用卷积神经网络对文本进行分类的算法）（该论文翻译）。

上图很好地诠释了模型的框架。假设我们有一些句子需要对其进行分类。句子中每个词是由n维词向量组成的，也就是说输入矩阵大小为m*n，其中m为句子长度。CNN需要对输入样本进行卷积操作，对于文本数据，filter不再横向滑动，仅仅是向下移动，有点类似于N-gram在提取词与词间的局部相关性。图中共有三种步长策略，分别是2,3,4，每个步长都有两个filter（实际训练时filter数量会很多）。在不同词窗上应用不同filter，最终得到6个卷积后的向量。然后对每一个向量进行最大化池化操作并拼接各个池化值，最终得到这个句子的特征表示，将这个句子向量丢给分类器进行分类，至此完成整个流程。

（1）嵌入层（Embedding Layer）

通过一个隐藏层, 将 one-hot 编码的词投影到一个低维空间中，本质上是特征提取器，在指定维度中编码语义特征。 这样, 语义相近的词, 它们的欧氏距离或余弦距离也比较近。（作者使用的单词向量是预训练的，方法为fasttext得到的单词向量，当然也可以使用word2vec和GloVe方法训练得到的单词向量）。

（2）卷积层（Convolution Laye）

在处理图像数据时，CNN使用的卷积核的宽度和高度的一样的，但是在text-CNN中，卷积核的宽度是与词向量的维度一致！这是因为我们输入的每一行向量代表一个词，在抽取特征的过程中，词做为文本的最小粒度。而高度和CNN一样，可以自行设置（通常取值2,3,4,5），高度就类似于n-gram了。由于我们的输入是一个句子，句子中相邻的词之间关联性很高，因此，当我们用卷积核进行卷积时，不仅考虑了词义而且考虑了词序及其上下文（类似于skip-gram和CBOW模型的思想）。

（3）池化层（Pooling Layer）

因为在卷积层过程中我们使用了不同高度的卷积核，使得我们通过卷积层后得到的向量维度会不一致，所以在池化层中，我们使用1-Max-pooling对每个特征向量池化成一个值，即抽取每个特征向量的最大值表示该特征，而且认为这个最大值表示的是最重要的特征。当我们对所有特征向量进行1-Max-Pooling之后，还需要将每个值给拼接起来。得到池化层最终的特征向量。在池化层到全连接层之前可以加上dropout防止过拟合。

（4）全连接层（Fully connected layer）

全连接层跟其他模型一样，假设有两层全连接层，第一层可以加上’relu’作为激活函数，第二层则使用softmax激活函数得到属于每个类的概率。

（5）TextCNN的小变种

在词向量构造方面可以有以下不同的方式： CNN-rand: 随机初始化每个单词的词向量通过后续的训练去调整。 CNN-static: 使用预先训练好的词向量，如word2vec训练出来的词向量，在训练过程中不再调整该词向量。 CNN-non-static: 使用预先训练好的词向量，并在训练过程进一步进行调整。 CNN-multichannel: 将static与non-static作为两通道的词向量。

（6）参数与超参数

• sequence_length （Q: 对于CNN, 输入与输出都是固定的，可每个句子长短不一, 怎么处理? A: 需要做定长处理, 比如定为n, 超过的截断, 不足的补0. 注意补充的0对后面的结果没有影响，因为后面的max-pooling只会输出最大值，补零的项会被过滤掉）
• num_classes （多分类, 分为几类）
• vocabulary_size （语料库的词典大小, 记为|D|）
• embedding_size （将词向量的维度, 由原始的 |D| 降维到 embedding_size）
• filter_size_arr （多个不同size的filter）

2、2015年“A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification”论文详细地阐述了关于TextCNN模型的调参心得。

（1）TextCNN详细过程：

• Embedding：第一层是图中最左边的7乘5的句子矩阵，每行是词向量，维度=5，这个可以类比为图像中的原始像素点。
• Convolution：然后经过 kernel_sizes=(2,3,4) 的一维卷积层，每个kernel_size 有两个输出 channel。
• MaxPolling：第三层是一个1-max pooling层，这样不同长度句子经过pooling层之后都能变成定长的表示。
• FullConnection and Softmax：最后接一层全连接的 softmax 层，输出每个类别的概率。

（2）论文调参结论：

• 使用预训练的word2vec 、 GloVe初始化效果会更好。一般不直接使用One-hot。
• 卷积核的大小影响较大，一般取1~10，对于句子较长的文本，则应选择大一些。
• 卷积核的数量也有较大的影响，一般取100~600 ，同时一般使用Dropout（0~0.5）。
• 激活函数一般选用ReLU 和 tanh。
• 池化使用1-max pooling。
• 随着feature map数量增加，性能减少时，试着尝试大于0.5的Dropout。
• 评估模型性能时，记得使用交叉验证。

二、Keras文本预处理

1、读取数据集

2、将文字转换成数字特征

使用Tokenizer将文字转换成数字特征

使用Keras的Tokenizer模块实现转换。当我们创建了一个Tokenizer对象后，使用该对象的fit_on_texts()函数，可以将输入的文本中的每个词编号，编号是根据词频的，词频越大，编号越小。使用word_index属性可以看到每次词对应的编码。

3、将每条文本转换为数字列表

将数据集中的每条文本转换为数字列表，使用每个词的编号进行编号

使用该对象的texts_to_sequences（）函数，将每条文本转变成一个向量。 

4、将每条文本设置为相同长度

使用pad_sequences()让每句数字影评长度相同

由于每句话的长度不唯一，需要将每句话的长度设置一个固定值。将超过固定值的部分截掉，不足的在最前面用0填充。

5、将每个词编码转换为词向量

使用Embedding层将每个词编码转换为词向量

Embedding层基于上文所得的词编码，对每个词进行one-hot编码，每个词都会是一个vocabulary_size维的向量；然后通过神经网络的训练迭代更新得到一个合适的权重矩阵（具体实现过程可以参考skip-gram模型），行大小为vocabulary_size，列大小为词向量的维度，将本来以one-hot编码的词向量映射到低维空间，得到低维词向量。需要声明一点的是Embedding层是作为模型的第一层，在训练模型的同时，得到该语料库的词向量。当然，也可以使用已经预训练好的词向量表示现有语料库中的词。

文本预处理目的：将每个样本转换为一个数字矩阵，矩阵的每一行表示一个词向量。

6、Keras文本预处理代码实现

from sklearn.model_selection import train_test_split
import pandas as pd
import jieba
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequencesif __name__=='__main__':dataset = pd.read_csv('sentiment_analysis/data_train.csv', sep='\t',names=['ID', 'type', 'review', 'label']).astype(str)cw = lambda x: list(jieba.cut(x))dataset['words'] = dataset['review'].apply(cw)tokenizer=Tokenizer()  #创建一个Tokenizer对象#fit_on_texts函数可以将输入的文本中的每个词编号，编号是根据词频的，词频越大，编号越小tokenizer.fit_on_texts(dataset['words'])vocab=tokenizer.word_index #得到每个词的编号x_train, x_test, y_train, y_test = train_test_split(dataset['words'], dataset['label'], test_size=0.1)# 将每个样本中的每个词转换为数字列表，使用每个词的编号进行编号x_train_word_ids=tokenizer.texts_to_sequences(x_train)x_test_word_ids = tokenizer.texts_to_sequences(x_test)#序列模式# 每条样本长度不唯一，将每条样本的长度设置一个固定值x_train_padded_seqs=pad_sequences(x_train_word_ids,maxlen=50) #将超过固定值的部分截掉，不足的在最前面用0填充x_test_padded_seqs=pad_sequences(x_test_word_ids, maxlen=50)

三、基于keras的TextCNN模型的构建、训练与测试

1、基础版CNN（模仿LeNet-5）

LeNet-5是卷积神经网络的作者Yann LeCun用于MNIST识别任务提出的模型。模型很简单，就是卷积池化层的堆叠，最后加上几层全连接层。将其运用在文本分类任务中。

#构建CNN分类模型(LeNet-5)
#模型结构：嵌入-卷积池化*2-dropout-BN-全连接-dropout-全连接
def CNN_model(x_train_padded_seqs, y_train, x_test_padded_seqs, y_test):model = Sequential()model.add(Embedding(len(vocab) + 1, 300, input_length=50)) #使用Embeeding层将每个词编码转换为词向量model.add(Conv1D(256, 5, padding='same'))model.add(MaxPooling1D(3, 3, padding='same'))model.add(Conv1D(128, 5, padding='same'))model.add(MaxPooling1D(3, 3, padding='same'))model.add(Conv1D(64, 3, padding='same'))model.add(Flatten())model.add(Dropout(0.1))model.add(BatchNormalization())  # (批)规范化层model.add(Dense(256, activation='relu'))model.add(Dropout(0.1))model.add(Dense(3, activation='softmax'))model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3)  # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels,epochs=5, batch_size=800)y_predict = model.predict_classes(x_test_padded_seqs)  # 预测的是类别，结果就是类别号y_predict = list(map(str, y_predict))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))

2、简单版TextCNN

#构建TextCNN模型
#模型结构：词嵌入-卷积池化*3-拼接-全连接-dropout-全连接
def TextCNN_model_1(x_train_padded_seqs,y_train,x_test_padded_seqs,y_test):main_input = Input(shape=(50,), dtype='float64')# 词嵌入（使用预训练的词向量）embedder = Embedding(len(vocab) + 1, 300, input_length=50, trainable=False)embed = embedder(main_input)# 词窗大小分别为3,4,5cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)cnn1 = MaxPooling1D(pool_size=48)(cnn1)cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)cnn2 = MaxPooling1D(pool_size=47)(cnn2)cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)cnn3 = MaxPooling1D(pool_size=46)(cnn3)# 合并三个模型的输出向量cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)flat = Flatten()(cnn)drop = Dropout(0.2)(flat)main_output = Dense(3, activation='softmax')(drop)model = Model(inputs=main_input, outputs=main_output)model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3)  # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels, batch_size=800, epochs=10)#y_test_onehot = keras.utils.to_categorical(y_test, num_classes=3)  # 将标签转换为one-hot编码result = model.predict(x_test_padded_seqs)  # 预测样本属于每个类别的概率result_labels = np.argmax(result, axis=1)  # 获得最大概率对应的标签y_predict = list(map(str, result_labels))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))

3、使用Word2Vec词向量的TextCNN

w2v_model=Word2Vec.load('sentiment_analysis/w2v_model.pkl')
# 预训练的词向量中没有出现的词用0向量表示
embedding_matrix = np.zeros((len(vocab) + 1, 300))
for word, i in vocab.items():try:embedding_vector = w2v_model[str(word)]embedding_matrix[i] = embedding_vectorexcept KeyError:continue#构建TextCNN模型
def TextCNN_model_2(x_train_padded_seqs,y_train,x_test_padded_seqs,y_test,embedding_matrix):# 模型结构：词嵌入-卷积池化*3-拼接-全连接-dropout-全连接main_input = Input(shape=(50,), dtype='float64')# 词嵌入（使用预训练的词向量）embedder = Embedding(len(vocab) + 1, 300, input_length=50, weights=[embedding_matrix], trainable=False)#embedder = Embedding(len(vocab) + 1, 300, input_length=50, trainable=False)embed = embedder(main_input)# 词窗大小分别为3,4,5cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)cnn1 = MaxPooling1D(pool_size=38)(cnn1)cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)cnn2 = MaxPooling1D(pool_size=37)(cnn2)cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)cnn3 = MaxPooling1D(pool_size=36)(cnn3)# 合并三个模型的输出向量cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)flat = Flatten()(cnn)drop = Dropout(0.2)(flat)main_output = Dense(3, activation='softmax')(drop)model = Model(inputs=main_input, outputs=main_output)model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3)  # 将标签转换为one-hot编码model.fit(x_train_padded_seqs, one_hot_labels, batch_size=800, epochs=20)#y_test_onehot = keras.utils.to_categorical(y_test, num_classes=3)  # 将标签转换为one-hot编码result = model.predict(x_test_padded_seqs)  # 预测样本属于每个类别的概率result_labels = np.argmax(result, axis=1)  # 获得最大概率对应的标签y_predict = list(map(str, result_labels))print('准确率', metrics.accuracy_score(y_test, y_predict))print('平均f1-score:', metrics.f1_score(y_test, y_predict, average='weighted'))

四、绘制TextCNN模型结构图

使用keras的plot_model()画出的TextCNN模型结构图

1、环境配置

（1）安装graphviz模块

首先，命令行pip install graphviz；其次，安装graphviz软件，官网下载：graphviz-2.38.msi ；最后，将安装目录中的graphviz-2.38\release\bin添加进Path环境变量。

（2）安装pydot模块

命令行pip install pydot

（3）在运行程序中加入下面两行代码

import os
os.environ["PATH"] += os.pathsep + 'C:/Program Files (x86)/Graphviz2.38/bin/'

2、绘制模型图

使用plot_model()画出模型图

from keras.utils import plot_model#生成一个模型图，第一个参数为模型，第二个参数为要生成图片的路径及文件名，还可以指定两个参数：#show_shapes:指定是否显示输出数据的形状，默认为False#show_layer_names:指定是否显示层名称，默认为Trueplot_model(model,to_file='sentiment_analysis/model.png',show_shapes=True,show_layer_names=False)

模型图如下：

五、keras模型的保存与加载

from keras.models import load_model#模型的保存
model.save('model.h5')#模型的加载
model=load_model('model.h5')

参考学习资料：

（1）Keras之文本分类实现

（2）使用Keras进行深度学习

（3）NLP论文

（4）卷积神经网络（CNN）在句子建模上的应用

（5）用深度学习（CNN RNN Attention）解决大规模文本分类问题 - 综述和实践

（6）深度学习在文本分类中的应用

（7）深度学习与文本分类总结第一篇--常用模型总结

（8）基于 word2vec 和 CNN 的文本分类 ：综述 & 实践