用最新NLP库Flair做文本分类

╰+哭是因爲堅強的太久メ 2022-02-14 14:24 264阅读 0赞

![a1a7ac947dc9545462907b18b489ba4d33cdfbf8][]

**介绍**

文本分类是一种监督机器学习方法，用于将句子或文本文档归类为一个或多个已定义好的类别。它是一个被广泛应用的自然语言处理方法，在垃圾邮件过滤、情感分析、新闻稿件分类以及与许多其它业务相关的问题中发挥着重要作用。

目前绝大多数最先进的方法都依赖于一种被称为文本嵌入的技术。它将文本转换成高维空间中的数值表示方式。它可以将文档、语句、单词、字符（取决于我们所嵌入的形式）表示为这个高维空间中的一个向量。

Flair之所以对NLP来说是一个令人兴奋的消息，是因为Zalando Research最近发表的一篇论文《[Contextual String Embeddings for Sequence Labelling][]（用于序列标注的上下文相关字符串的嵌入）》，其中涵盖了一种始终优于以前最先进方案的方法。该算法在Flair中得到了完整的支持和实现，可以用来构建文本分类器。

**1****、准备**

安装Flair需要Python 3.6，如果你还没有，请点击[这里][Link 1]查看安装向导。然后执行pip命令安装即可:

pip install flair

上面的命令将安装运行Flair所需的所有依赖包，当然也包括了PyTorch。

**2****、使用一个预训练的分类模型**

最新的0.4版本包含了两个预训练的模型，还有一个基于IMDB数据集上训练的情感分析模型和“攻击性语言检测”模型（当前仅支持德语）。

使用、下载和存储模型都被整合到了一个单一的方法中，这使得使用预训练模型的整个过程都非常简单。

要使用情感分析模型，只需执行以下代码片段：

fromflair.models import TextClassifier
    from flair.data import Sentence
    
    classifier = TextClassifier.load('en-sentiment')
    
    sentence = Sentence('Flair is pretty neat!')
    classifier.predict(sentence)
    
    # print sentence with predicted labels
    print('Sentence above is: ', sentence.labels)

当第一次运行时，Flair将下载情感分析模型，默认情况下将其存储到home目录下的.flair子目录中，这大概得需要几分钟。

上面的代码首先加载必需的库，然后将情感分析模型加载到内存中（必要时先进行下载），接下来可以预测句子“*Flair is pretty neat*！”的情感数值，按0到1的区间赋值。最后命令的输出结果是：

The sentence above is: [Positive (1.0)]

就是这么简单！例如，现在你可以将上述代码合并在一个REST API中，并提供一个与Google的云自然语言API的情感分析类似的服务，当在有大量请求的生产环境中使用时，这种分析的成本将会非常的高。

**3****、训练一个自定义文本分类器**

要训练一个自定义的文本分类器，我们首先需要一个标注过的数据集。Flair的分类数据集格式基于Facebook的[FastText格式][FastText]。格式要求在每行的开头定义一个或多个标签，以前缀\_\_label\_\_开头。格式如下:

__label__<class_1><text>
    __label__<class_2><text>

在本文中，我们将利用Kaggle的Spam Detection数据集通过Flair构建一个垃圾/非垃圾的分类器。这个数据集比较适合我们的学习任务，因为它足够小，并且仅包含5572行的数据，可以在一个CPU上只花几分钟就可以完成一个模型的训练。

![60323e2f8bcf600ecae6834203305036681c5deb][]

来自数据集中的标记为spam（垃圾邮件）或ham（非垃圾邮件）的SMS信息

**3.1** **预处理****-****构建数据集**

我们首先从Kaggle上的这个[链接][Link 2]下载数据集来获得spam.csv文件。然后，在与数据集相同的目录中，我们运行下面的预处理代码片段，该代码将执行一些预处理，并将数据集拆分为训练集、开发集和测试集三个部分。

确保安装了Pandas。如果还没有，请先运行命令：

pip install pandas
    
    import pandas as pd
    data = pd.read_csv("./spam.csv", encoding='latin-1').sample(frac=1).drop_duplicates()
    
    data = data[['v1', 'v2']].rename(columns={"v1":"label", "v2":"text"})
    
    data['label'] = '__label__' + data['label'].astype(str)
    
    data.iloc[0:int(len(data)*0.8)].to_csv('train.csv', sep='\t', index = False, header = False)
    data.iloc[int(len(data)*0.8):int(len(data)*0.9)].to_csv('test.csv', sep='\t', index = False, header = False)
    data.iloc[int(len(data)*0.9):].to_csv('dev.csv', sep='\t', index = False, header = False);

上面的代码将从数据集中删除一些重复数据，并对其进行无序处理（随机化行），并按照80/10/10的比例将数据拆分为训练集、开发集和测试集。

如果运行成功，你将会得到FastText格式的三个数据文件：train.csv、test.csv和dev.csv，它们可以与Flair一起使用。

**3.2** **训练自定义文本分类模型**

请在生成数据集的目录中运行以下代码片段用以训练模型：

fromflair.data_fetcher import NLPTaskDataFetcher
    from flair.embeddings import WordEmbeddings, FlairEmbeddings, DocumentLSTMEmbeddings
    from flair.models import TextClassifier
    from flair.trainers import ModelTrainer
    from pathlib import Path
    
    corpus = NLPTaskDataFetcher.load_classification_corpus(Path('./'), test_file='test.csv', dev_file='dev.csv', train_file='train.csv')
    
    word_embeddings = [WordEmbeddings('glove'), FlairEmbeddings('news-forward-fast'), FlairEmbeddings('news-backward-fast')]
    
    document_embeddings = DocumentLSTMEmbeddings(word_embeddings, hidden_size=512, reproject_words=True, reproject_words_dimension=256)
    
    classifier = TextClassifier(document_embeddings, label_dictionary=corpus.make_label_dictionary(), multi_label=False)
    
    trainer = ModelTrainer(classifier, corpus)
    
    trainer.train('./', max_epochs=10)

第一次运行上述代码时，Flair将会自动下载需要的所有嵌入模型，这可能需要几分钟，然后接下来的整个培训过程还需要大约5分钟。

程序首先将所需的库和数据集加载到一个corpus对象中。

接下来，我们创建一个嵌入列表，包含两个Flair上下文的字符串嵌入和一个GloVe单词嵌入。然后将此列表作为文档嵌入对象的输入。堆叠和文档嵌入是Flair中最有趣的概念之一，提供了将不同的嵌入整合在一起的方法。你可以同时使用传统的单词嵌入（如GloVe, word2vec, ELMo）和Flair上下文的字符串嵌入。在上面的例子中，我们使用了一种基于LSTM（Long Short-Term Memory，长短期记忆网络）的方法，将单词和上下文的字符串嵌入结合起来以生成文档嵌入。想要了解更多，请点击[这里][Link 3]。

最后，上述代码进行模型训练并生成了final-model.pt和best-model.pt两个文件，它们表示我们存储的训练模型。

**3.3** **用训练过的模型进行预测**

我们现在可以从同一目录通过运行以下代码，使用导出的模型来生成预测结果：

fromflair.models import TextClassifier
    from flair.data import Sentence
    
    classifier = TextClassifier.load_from_file('./best-model.pt')
    
    sentence = Sentence('Hi. Yes mum, I will...')
    
    classifier.predict(sentence)
    
    print(sentence.labels)

这段代码会输出“\[ham（1.0）\]”，这意味着该模型100%确定我们的示例消息不是垃圾邮件。

**与其它框架相比表现如何？**

与Facebook的FastText甚至谷歌的AutoML自然语言平台不同，使用Flair进行文本分类仍然是一项底层的工作。我们可以通过设置诸如学习率、批量大小、退火因子（anneal factor）、损失函数、优化选择等参数来完全控制文本嵌入和训练的方式…为了获得最佳表现，需要调整这些超参数。Flair为我们提供了一个有名的超参数调优库[Hyperopt][]的封装器，我们可以使用它来对超参数进行调优以获得最佳的性能。

在本文中，为了简单起见，我们使用了默认的超参数。在大多数默认参数下，我们的Flair模型在10个训练周期后获得了0.973的f1-score。

为了进行对比，我们使用FastText和AutoML自然语言平台训练了一个文本分类模型。首先我们使用默认参数运行FastText，并获得了0.883的f1-score，这意味着模型在很大程度上优于FastText。然而，FastText只需要几秒钟的训练时间，而我们训练的Flair模型则需要5分钟。

我们将结果与在谷歌的AutoML自然语言平台上获得的结果进行了比较。平台首先需要20分钟来解析数据集。之后，我们开始了训练过程，这几乎花了3个小时完成，但却获得了99.211的f1-score——这比我们自己训练的模型稍微好一点。

本文由北邮[@爱可可-爱生活][-] 老师推荐，[阿里云云栖社区][Link 4]组织翻译。

文章原标题《GANs as a loss function》

译者：Mags，审校：袁虎。

文章为简译，更为详细的内容，请查看[原文][Link 5]

[a1a7ac947dc9545462907b18b489ba4d33cdfbf8]: /images/20220214/4b049bacbf214ecf8a4274a776efcdf2.png
[Contextual String Embeddings for Sequence Labelling]: http://alanakbik.github.io/papers/coling2018.pdf
[Link 1]: https://realpython.com/installing-python/
[FastText]: https://fasttext.cc/docs/en/supervised-tutorial.html
[60323e2f8bcf600ecae6834203305036681c5deb]: /images/20220214/90d8d16fabf34875b8a9533529136d79.png
[Link 2]: https://www.kaggle.com/uciml/sms-spam-collection-dataset
[Link 3]: https://github.com/zalandoresearch/flair/blob/master/resources/docs/TUTORIAL_5_DOCUMENT_EMBEDDINGS.md
[Hyperopt]: https://github.com/zalandoresearch/flair/blob/master/resources/docs/TUTORIAL_8_MODEL_OPTIMIZATION.md
[-]: http://weibo.com/fly51fly
[Link 4]: http://weibo.com/taobaodeveloperclub
[Link 5]: https://towardsdatascience.com/text-classification-with-state-of-the-art-nlp-library-flair-b541d7add21f