前言
相信大部分人看完电影或者电视剧之后，都难免会去豆瓣刷刷别人的评论以及打分，来看看这部电影或者电视剧到底如何或者与自己喜恶相同的有哪些人。
那么豆瓣评论与豆瓣评分之间是否有一定的联系，我们可以训练BERT中文分类模型，通过输入豆瓣评论输出输出预测的豆瓣评分，观察其与真实的豆瓣评分是否有差别。
在这个项目中，我们需要做：
- 文本的预处理
- 模型训练及评估
- 实际数据测试
首先一起来看看最终实现的豆瓣评分预测效果，以《扫黑风暴》的评论为例：
预测结果：
下面，我们就开始介绍如何实现豆瓣评分预测。
一、项目概述
首先我们是基于EasyBert这个github开源项目里面的中文文本分类来实现豆瓣评分预测的。其实这就是个分类问题。
配置相关环境：
python 3.7
pytorch 1.1
tqdm
sklearn
tensorboardX
数据集：
我们豆瓣评论数据集为DMSC.csv格式，而原项目的数据集是从THUCNews中抽取了20万条新闻标题，文本长度在20到30之间。一共10个类别，每类2万条。数据以字为单位输入模型。
THUCNews
├── data
│ ├── train.txt # 训练集数据
│ ├── test.txt # 测试数据
│ ├── dev.txt # 验证数据
│ └── class.txt # 数据类别
└── saved_dict
所以我们接下来需要将豆瓣评论数据进行预处理并保存成一样的格式。
代码：
TextClassifier文件夹下包含三个主要的函数以及models和bert_pretrian文件夹，models文件夹下包含bert.py以及ernie.py，bert_pretrian文件夹中包含预训练模型。bert.py以及ernie.py里面可以设置模型以及训练参数。run.py为主函数，在这里设置参数，进行模型训练。train_eval.py里面是写好定的具体训练函数。通过predict.py进行数据分类预测。
具体代码分析且看下文分解！！！
TextClassifier
├── models
│ ├── bert.py # bert模型
│ └── ernie.py # ernie模型├── bert_pretrain #预训练模型
│ ├── bert_config.json
│ ├── pytorch_model.bin
│ └── vocab.txt├── run.py
├── predict.py
└── train_eval.py
算法流程：
二、文本处理
1.加载数据
由于豆瓣数据为DMSC.csv格式，所以我们通过pd.read_csv函数读取数据，该函数是用来读取csv格式的文件，将表格数据转化成dataframe格式。
#读取数据
data = pd.read_csv('DMSC.csv')
#观察数据格式
data.head()
#输出数据的一些相关信息
data.info()
#只保留数据中我们需要的两列：Comment列和Star列
data = data[['Comment','Star']]
#观察新的数据的格式
data.head()输出结果：
| Comment | Star | |
|---|---|---|
| 0 | 连奥创都知道整容要去韩国。 | 3 |
| 1 | “一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉... | 4 |
| 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 2 |
| 3 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大... | 4 |
| 4 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份... | 5 |
2. 文本预处理
由于一开始送训练数据进入BERT时，提示出现空白字符无法转换以及label标签范围不符合的问题，所以再一次将数据进行预处理，将空白去除以及标签为评分减一。
def clear_character(sentence):
new_sentence=''.join(sentence.split()) #去除空白
return new_sentence
data["comment_processed"]=data['Comment'].apply(clear_character)
data['label']=data['Star']-1
data.head()输出结果：
| Comment | Star | comment_processed | label | |
|---|---|---|---|---|
| 0 | 连奥创都知道整容要去韩国。 | 3 | 连奥创都知道整容要去韩国。 | 2 |
| 1 | “一个没有黑暗面的人不值得信任。” 第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉... | 4 | “一个没有黑暗面的人不值得信任。”第二部剥去冗长的铺垫，开场即高潮、一直到结束，会有人觉得只... | 3 |
| 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 2 | 奥创弱爆了弱爆了弱爆了啊！！！！！！ | 1 |
| 3 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大... | 4 | 与第一集不同，承上启下，阴郁严肃，但也不会不好看啊，除非本来就不喜欢漫威电影。场面更加宏大，... | 3 |
| 4 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份... | 5 | 看毕，我激动地对友人说，等等奥创要来毁灭台北怎么办厚，她拍了拍我肩膀，没事，反正你买了两份旅... | 4 |
3.划分训练集和测试集
通过train_test_split()函数进行数据集的划分。
from sklearn.model_selection import train_test_split
X = data[['comment_processed','label']]
test_ratio = 0.2
comments_train, comments_test = train_test_split(X,test_size=test_ratio, random_state=0)
print(comments_train.head(),comments_test.head)4.保存txt格式
由于BERT里面的存储格式为txt以及文本加标签，所以通过dataframe.to_csv函数存储。
comments_train.to_csv('train.txt', sep='\t', index=False,header=False)
comments_test.to_csv('test.txt', sep='\t', index=False,header=False)输出结果：
三、BERT模型
1. 特征转换
在run.py中先将保存好的训练数据、测试数据、验证数据转化为BERT向量。
print("Loading data...")
train_data, dev_data, test_data = build_dataset(config)
train_iter = build_iterator(train_data, config)
dev_iter = build_iterator(dev_data, config)
test_iter = build_iterator(test_data, config)
time_dif = get_time_dif(start_time)
print("Time usage:", time_dif)
def load_dataset(path, pad_size=32):
contents = []
with open(path, 'r', encoding='UTF-8') as f: # 读取数据
for line in tqdm(f):
lin = line.strip()
if not lin:
continue
if len(lin.split('\t')) == 2:
content, label = lin.split('\t')
token = config.tokenizer.tokenize(content) # 分词
token = [CLS] + token # 句首加入CLS
seq_len = len(token)
mask = []
token_ids = config.tokenizer.convert_tokens_to_ids(token)
if pad_size:
if len(token) < pad_size:
mask = [1] * len(token_ids) + [0] * (pad_size - len(token))
token_ids += ([0] * (pad_size - len(token)))
else:
mask = [1] * pad_size
token_ids = token_ids[:pad_size]
seq_len = pad_size
contents.append((token_ids, int(label), seq_len, mask))
return contents调用tokenizer，使用tokenizer分割输入，将数据转换为特征。
特征中包含4个数据：
- tokens_ids：分词后每个词语在vocabulary中的id，补全符号对应的id为0，[CLS]和[SEP]的id分别为101和102。应注意的是，在中文BERT模型中，中文分词是基于字而非词的分词。
- mask：真实字符/补全字符标识符，真实文本的每个字对应1，补全符号对应0，[CLS]和[SEP]也为1。
- seq_len：句子长度
- label ：将label_list中的元素利用字典转换为index标识。
转换特征中一个元素的例子是：
输入：剧情有的承接欠缺，画面人设很棒。 3
tokens_ids:[101, 1196, 2658, 3300, 4638, 2824, 2970, 3612, 5375, 8024, 4514, 7481, 782, 6392, 2523, 3472, 511, 0,...,0]
mask:[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,...,0]
label:3
seq_len:17
2.模型训练
完成读取数据、特征转换之后，将特征送入模型进行训练。
训练算法为BERT专用的Adam算法
训练集、测试集、验证集比例为6:2:2
每100轮会在验证集上进行验证，并给出相应的准确值，如果准确值大于此前最高分则保存模型参数，否则flags加1。如果flags大于1000，也即连续1000轮模型的性能都没有继续优化，停止训练过程。
for epoch in range(config.num_epochs):
print('Epoch [{}/{}]'.format(epoch + 1, config.num_epochs))
for i, (trains, labels) in enumerate(train_iter):
outputs = model(trains)
model.zero_grad()
loss = F.cross_entropy(outputs, labels)
loss.backward()
optimizer.step()
if total_batch % 100 == 0:
# 每多少轮输出在训练集和验证集上的效果
true = labels.data.cpu()
predic = torch.max(outputs.data, 1)[1].cpu()
train_acc = metrics.accuracy_score(true, predic)
dev_acc, dev_loss = evaluate(config, model, dev_iter)
if dev_loss < dev_best_loss:
dev_best_loss = dev_loss
torch.save(model.state_dict(), config.save_path)
improve = '*'
last_improve = total_batch
else:
improve = ''
time_dif = get_time_dif(start_time)
msg = 'Iter: {0:>6}, Train Loss: {1:>5.2}, Train Acc: {2:>6.2%}, Val Loss: {3:>5.2}, Val Acc: {4:>6.2%}, Time: {5} {6}'
print(msg.format(total_batch, loss.item(), train_acc, dev_loss, dev_acc, time_dif, improve))
model.train()
total_batch += 1
if total_batch - last_improve > config.require_improvement:
# 验证集loss超过1000batch没下降，结束训练
print("No optimization for a long time, auto-stopping...")
flag = True
break
if flag:
break
test(config, model, test_iter)训练结果：
1245it [00:00, 6290.83it/s]Loading data...
170004it [00:28, 6068.60it/s]
42502it [00:07, 6017.43it/s]
42502it [00:06, 6228.82it/s]
Time usage: 0:00:42
Epoch [1/5]
Iter: 0, Train Loss: 1.8, Train Acc: 3.12%, Val Loss: 1.7, Val Acc: 9.60%, Time: 0:02:14 *
Iter: 100, Train Loss: 1.5, Train Acc: 25.00%, Val Loss: 1.4, Val Acc: 20.60%, Time: 0:05:10 *
...
Iter: 5300, Train Loss: 0.75, Train Acc: 65.62%, Val Loss: 1.0, Val Acc: 50.07%, Time: 2:45:41 *
Epoch [2/5]
Iter: 5400, Train Loss: 1.0, Train Acc: 62.50%, Val Loss: 1.0, Val Acc: 51.02%, Time: 2:48:46
...
Iter: 7000, Train Loss: 0.77, Train Acc: 75.00%, Val Loss: 1.0, Val Acc: 52.84%, Time: 3:38:26
No optimization for a long time, auto-stopping...
Test Loss: 1.0, Test Acc: 50.89%
Precision, Recall and F1-Score...
precision recall f1-score support
1 0.6157 0.5901 0.6026 3706
2 0.5594 0.1481 0.2342 3532
3 0.4937 0.5883 0.5369 9678
4 0.4903 0.5459 0.5166 12899
5 0.6693 0.6394 0.6540 12687
accuracy 0.5543 42502
macro avg 0.5657 0.5024 0.5089 42502
weighted avg 0.5612 0.5543 0.5463 42502
Time usage: 0:02:25从训练结果可以看出准确率和F1分数最多只能达到60%，其实仔细分析评论也可以知道原因：
相近分数的差异性与评论相关性不大，比如两分的评论可能有时候与一分三分是一样的，这就导致很难根据评论准确的预测出分数，但是从测试结果可以明显的看出好评和差评能够明显区分出来，准确率能达到百分之九十。
3.模型测试
测试的时候与训练同样的原理，也是先将数据转化为特征，送入训练好的模型中，得到结果。
def final_predict(config, model, data_iter):
map_location = lambda storage, loc: storage
model.load_state_dict(torch.load(config.save_path, map_location=map_location))
model.eval()
predict_all = np.array([])
with torch.no_grad():
for texts, _ in data_iter:
outputs = model(texts)
pred = torch.max(outputs.data, 1)[1].cpu().numpy()
pred_label = [match_label(i, config) for i in pred]
predict_all = np.append(predict_all, pred_label)
return predict_all
def main(text):
config = Config()
model = Model(config).to(config.device)
test_data = load_dataset(text, config)
test_iter = build_iterator(test_data, config)
result = final_predict(config, model, test_iter)
for i, j in enumerate(result):
print('text:{}'.format(text[i]))
print('label:{}'.format(j))测试结果：
总结
本项目基于pytorch的 BERT中文文本分类实现豆瓣评分预测，通过以实际数据测试，还是有一定的效果，不得不说目前BERT在自然语言处理任务中效果还是杠杠的！
希望能不断推陈出新，推动NLP进一步发展！！！
今天我们就到这里，明天继续努力！
如果该文章对您有所帮助，麻烦点赞，关注，收藏三连支持下！
创作不易，白嫖不好，各位的支持和认可，是我创作的最大动力！
如果本篇博客有任何错误，请批评指教，不胜感激 ！！！
参考：