文本分类（LSTM+PyTorch）

本文的配套代码已上传至github，链接在文末，同时附带中文数据集。

一、传统方法的基本步骤

1. 预处理：首先进行分词，然后是除去停用词；
2. 将文本表示成向量，常用的就是文本表示向量空间模型；
3. 进行特征选择，这里的特征就是词语，去掉一些对于分类帮助不大的特征。常用的特征选择的方法是词频过滤，互信息，信息增益，卡方检验等；
4. 接下来就是构造分类器，在文本分类中常用的分类器一般是SVM，朴素贝叶斯等；
5. 训练分类器，后面只要来一个文本，进行文本表示和特征选择后，就可以得到文本的类别。

二、深度学习与传统方法的区别

传统做法主要问题的文本表示是高纬度高稀疏的，特征表达能力很弱；此外需要人工进行特征工程，成本很高。
利用深度学习做文本分类，首先还是要进行分词，这是做中文语料必不可少的一步，这里的分词使用的jieba分词。 词语的表示不用one-hot编码，而是使用词向量(word embedding)，现在最常用的词向量的分布式表示就是word2vec，这样的分布式表示，既降低了维度，也体现了语义信息。使用深度学习进行文本分类，不需要进行特征选择这一步，因为深度学习具有自动学习特征的能力。

三、LSTM文本分类

先将句子进行分词，然后将每个词语表示为词向量，再将词向量按顺序送进LSTM，最后LSTM的输出就是这段话的表示，而且能够包含句子的时序信息。

1. 处理数据集

# utils.py

def read_file(path):
    """
    读取文本文件进行预处理
    :param path: 文件路径
    :return: 分词后的数组
    """
    if 'training_label' in path:
        with open(path, 'r', encoding='utf-8') as file:
            lines = file.readlines()
            lines = [line.strip('\n').split(' ') for line in lines]
            x = [line[2:] for line in lines]
            y = [line[0] for line in lines]
        return x, y
    elif 'training_nolabel' in path:
        with open(path, 'r', encoding='utf-8') as file:
            lines = file.readlines()
            x = [line.strip('\n').split(' ') for line in lines]
        return x
    else:
        with open(path, 'r', encoding='utf-8') as file:
            lines = file.readlines()
            x = ["".join(line[1:].strip('\n').split(",")) for line in lines[1:]]
            x = [item.split(' ') for item in x]
        return x

2. word2vec词向量模型

依据原始数据提取了data与labels之后，还需要依据文本生成词向量，即建立单词与向量的一一对应关系，同时建立词汇之间的语义联系。

# word2vec.py

from gensim.models import word2vec
import os
from utils import read_file


def train_word2vec(x):
    """
    LineSentence(inp)：格式简单：一句话=一行; 单词已经过预处理并被空格分隔。
    size：是每个词的向量维度；
    window：是词向量训练时的上下文扫描窗口大小，窗口为5就是考虑前5个词和后5个词；
    min-count：设置最低频率，默认是5，如果一个词语在文档中出现的次数小于5，那么就会丢弃；
    sg ({0, 1}, optional) – 模型的训练算法: 1: skip-gram; 0: CBOW
    iter (int, optional) – 迭代次数，默认为5
    :param x: 处理好的数据集
    :return: 训练好的模型
    """
    return word2vec.Word2Vec(x, size=300, window=5, min_count=5, sg=1, iter=10)


if __name__ == '__main__':
    data_dir = './data'

    print("loading training data ...")
    train_x, y = read_file(os.path.join(data_dir, 'training_label.txt'))
    train_no_label = read_file(os.path.join(data_dir, 'training_nolabel.txt'))
    print("loading test data...")
    test_data = read_file(os.path.join(data_dir, 'testing_data.txt'))

    print("training text data and transforming to vectors by skip-gram...")
    model = train_word2vec(train_x + train_no_label + test_data)
    print("saving model...")
    model.save(os.path.join(data_dir, 'word2vec.model'))

3. 数据预处理

数据预处理就是按照词向量对样本中的数据生成句子的矩阵，因此这里需要统一句子的长度，生成数据集并实现数据集的封装。实现代码由两部分构成，首先生成对应矩阵，然后封装dataset便于使用dataloader加载数据。

# pre_processing.py
import torch
from gensim.models import Word2Vec


class DataProcess:
    def __init__(self, sentences, sen_len, w2v_path="./data/word2vec.model"):
        self.sentences = sentences  # 句子列表
        self.sen_len = sen_len      # 句子的最大长度
        self.w2v_path = w2v_path    # word2vec模型路径