-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathword2vec_keras.py
178 lines (147 loc) · 6.99 KB
/
word2vec_keras.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
import pickle
import numpy as np
import pymorphy2
from keras.callbacks import ModelCheckpoint
from keras_preprocessing.text import Tokenizer
from keras_preprocessing.sequence import pad_sequences
import collections
from keras.models import Sequential
from keras.layers import Dense, Dropout, Conv1D, GlobalMaxPooling1D, Activation
from keras.layers.embeddings import Embedding
import gensim.downloader
from keras.utils import to_categorical
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
# размер вектора
EMBEDDING_DIM = 300
# доля выборки под валидацию
VALIDATION_SPLIT = 0.2
# количество эпох обучения
EPOCH_SIZE = 15
# число обучающих пакетов
BATCH_SIZE = 164
# загрузка русскоязычной модели Word2Vec
word2vec_model = gensim.downloader.load("word2vec-ruscorpora-300")
# получение id тональностей
def get_ids(all_tones):
result = []
for tone in all_tones:
result.append(all_tones.unique().tolist().index(tone))
return result
# добавление части речи к слову
def add_part_of_speech(morph, word):
p = morph.parse(word)[0]
word += '_' + str(p.tag.POS)
return word
# получение тональностей по id
def from_tone(prediction, tones):
answers = []
for i in range(prediction.shape[0]):
answers.append(tones[prediction[i]])
return answers
def get_model(embedding_weights):
# создаем последовательную модель
model = Sequential()
# слой Embedding
model.add(Embedding(vocab_sz, EMBEDDING_DIM, input_length=maxlen, weights=[embedding_weights],
trainable=True))
# слой "метод исключения" - решает проблему переобучения
model.add(Dropout(0.2))
# свёрточный слой - создает сверточное ядро, по одному
# пространственному (или временному) измерению
model.add(Conv1D(50,
1,
padding='valid',
activation='relu',
strides=1))
# слой пулинга
model.add(GlobalMaxPooling1D())
# плотный слой
model.add(Dense(250))
# вновь слой, решающий проблему переобучения
model.add(Dropout(0.2))
# слой активации - максимизирующая функция
model.add(Activation('relu'))
# последний плотный слой с указанием функции выхода - софтмакс
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
# отрисовка графика потерь
def draw_graph(history):
x = range(EPOCH_SIZE)
plt.figure(figsize=(10, 5))
plt.grid(True)
plt.plot(x, history.history['loss'], 'bo-', label='Train losses')
plt.plot(x, history.history['val_loss'], 'ro-', label='Validation losses')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend(loc='upper right')
plt.show()
# получение матрицы весов для встроенного слоя
def get_embedding_weights():
embedding_weights = np.zeros(
# создаём матрицу размером размерность словаря*размерность вектора слова
(len(counter) + 1, EMBEDDING_DIM))
index = 0
# сортируем слова по частоте встречаемости
sorted_counter = counter.most_common()
# для каждого слова из нашего словаря задаём вектор из word2vec_model в матрицу
for word in sorted_counter:
try:
embedding_weights[index, :] = word2vec_model[word[0]]
index += 1
except KeyError: # если нет слова в словаре word2vec_model
index += 1
pass
return embedding_weights
# загрузка предварительно подготовленных данных
df = pd.read_csv('rusentilex/rusentilex.csv')
# получаем предварительно обработанный текст (токенизация, добавление части речи, леммантизация)
with open('rusentilex/rusentilex_sentences.pickle', 'rb') as handle:
sentences = pickle.load(handle)
# получаем id тональностей для сохраненного списка токенов (sentences)
with open('rusentilex/rusentilex_labels.pickle', 'rb') as handle:
labels = pickle.load(handle)
counter = collections.Counter()
# считаем максимальную длину предложений (словосочетаний), а также частоту всех словосочетаний, считанных из файла
maxlen = 0
for words in sentences:
if len(words) > maxlen:
maxlen = len(words)
for word in words:
counter[word] += 1
# кол-во различных слов в sentences
vocab_sz = len(counter) + 1
# Создание единого словаря (слово -> число) для преобразования на основе списка текстов sentences
tokenizer = Tokenizer()
tokenizer.fit_on_texts(sentences)
# заменяем слова каждого предложения на числа
X = tokenizer.texts_to_sequences(sentences)
# уравниваем все предложения до размера maxlen
X = pad_sequences(X, maxlen)
y = to_categorical(labels)
embedding_weights = get_embedding_weights()
model = get_model(embedding_weights)
X_train, X_test, Y_train, Y_test = train_test_split(X, y, test_size=0.2)
# обучение модели
history = model.fit(X_train, Y_train, batch_size=BATCH_SIZE, epochs=EPOCH_SIZE,
callbacks=[ModelCheckpoint('models/model.h5', save_best_only=True)],
validation_split=VALIDATION_SPLIT, verbose=2)
draw_graph(history)
# проверка работоспособности модели на маленьких тестовых данных
test_samples = ['ненужный', 'отвратительный', 'прикольный', 'милый', 'нежный']
morph = pymorphy2.MorphAnalyzer()
test_samples = [[add_part_of_speech(morph, test)] for test in test_samples]
test_samples_tokens = tokenizer.texts_to_sequences(test_samples)
test_samples_pad = pad_sequences(test_samples_tokens, maxlen=maxlen)
predict = model.predict_classes(x=test_samples_pad)
answers = from_tone(predict, df['tone'].unique().tolist())
print(answers)
# сохранение токенайзера
with open('models/tokenizer.pickle', 'wb') as handle:
pickle.dump(tokenizer, handle, protocol=pickle.HIGHEST_PROTOCOL)
# сохранение maxlen
f = open('models/maxlen.bin', 'w')
f.write(str(maxlen))
f.close()