『跟着雨哥学AI』系列之八：趣味案例——有关NLP任务数据预处理的那些事儿...

点击左上方蓝字关注我们

课程简介：

“跟着雨哥学AI”是百度飞桨开源框架近期针对高层API推出的系列课。本课程由多位资深飞桨工程师精心打造，不仅提供了从数据处理、到模型组网、模型训练、模型评估和推理部署全流程讲解；还提供了丰富的趣味案例，旨在帮助开发者更全面清晰地掌握百度飞桨框架的用法，并能够举一反三、灵活使用飞桨框架进行深度学习实践。

嗨，同学们好久不见！我是雨哥，之前的知识大家都有好好掌握吗？本节课我们将学习自然语言处理领域的相关知识。大家都知道，深度学习模型的内部包含了各种各样的数据运算，但是这些运算都是通过数字来进行的；而在自然语言处理的任务中，输入数据都是文本类型。那么我们如何将文本类型的数据转变成模型可以识别的内容，这就是我们本节课要学习的知识啦。针对不同的任务和数据集，数据处理的细节上可能会有所不同，但是大致的流程相似。我们将以NLP任务中的文本分类和命名实体识别任务作为示范，大家可以通过本节课的学习举一反三。

本次课程链接：

https://aistudio.baidu.com/aistudio/projectdetail/1579435

1. 文本分类

文本分类即给定一段文本（也可能是文档级别，在此只讨论句子级别），然后将文本归为N个类别中的一个或者多个。文本分类常见的应用有垃圾邮件识别、情感分析等等。根据类别个数的不同，可以分为二分类和多分类问题。我们今天使用的数据集只包含0、1标签，是一个二分类的任务。多分类任务的过程与此类似，可以参考本教程稍作改动。

1.1 数据集下载

我们选用微博评论数据集为例，正负向评论均包含五万多条。

首先我们对数据集进行解压：

!unzip -q -o data/data69383/weibo_senti_100k.zip

解压后我们可以看到，该数据集包含一个csv文件，里面包含评论句子以及其对应的标签，1表示正向积极的评论，0表示负向消极的评论。

import pandas as pd
import paddle

paddle.set_device('gpu')

content = pd.read_csv('weibo_senti_100k.csv')
content = content.dropna()   # 去掉有缺失值的行
content.head(5)
   label                                             review
0      1              更博了，爆照了，帅的呀，就是越来越爱你！生快傻缺[爱你][爱你][爱你]
1      1  @张晓鹏jonathan 土耳其的事要认真对待[哈哈]，否则直接开除。@丁丁看世界 很是细心...
2      1  姑娘都羡慕你呢…还有招财猫高兴……//@爱在蔓延-JC:[哈哈]小学徒一枚，等着明天见您呢/...
3      1                                         美~~~~~[爱你]
4      1                                  梦想有多大，舞台就有多大![鼓掌]

读取数据后，我们将数据处理成[sentence, label]的格式存在列表中，并将数据集打乱。由于此数据集未划分训练集、验证集和测试集，所以我们需要手动划分，作为案例，在这里只取1000条作为训练集，100条作为验证集，大家可以根据自己的需求进行划分。

import random

# 指定seed让每次打乱顺序一样
random.seed(123)

label = content.iloc[:, 0]
text = content.iloc[:, 1]

data = []
for i in range(len(text)):
    data.append([text[i], label[i]])

random.shuffle(data)
print('数据集句子数：{}'.format(len(data)))

train_data = data[:1000]
dev_data = data[-100:]

print('训练集句子数：{}'.format(len(train_data)))
print('验证集句子数：{}'.format(len(dev_data)))
数据集句子数：119988
训练集句子数：1000
验证集句子数：100

1.2 构建词表

前面提到了，模型计算使用的都是数字，而我们现在获取到的数据集还是文本类型，如何将文本映射到数据呢？我们将通过这一步构建的词表来进行映射。

# 下载词汇表文件word_dict.txt，用于构造词-id映射关系。
!wget https://paddlenlp.bj.bcebos.com/data/senta_word_dict.txt

# 加载词表
def load_vocab(path):
    vocab = {}

    with open(path, 'r') as f:
        tokens = f.readlines()
    for idx, token in enumerate(tokens):
        token = token.rstrip("\n").split("\t")[0]
        vocab[token] = idx

    return vocab

vocab = load_vocab('senta_word_dict.txt')

print('词表大小：{}'.format(len(vocab)))

# 展示词表内容
for i, (k, v) in enumerate(vocab.items()):
    if i in range(0, 10):
        print(k, v)
词表大小：1256608
[PAD] 0
[UNK] 1
一斤三 2
意面屋 3
11点25分 4
2.0三厢 5
上杭路 6
意大利菜用料 7
菲拉斯 8
還么 9

1.3 数据加载

读取数据之后，需要自定义数据集，实现一个新的Dataset类，继承父类paddle.io.Dataset，并实现父类中的两个抽象方法：__getitem__和__len__。

在__getitem__方法中，我们根据上一步构建的词表，进行了一个词-id的映射，并且根据给定的max_len对句子进行了padding或截断。

import jieba
from paddle.io import Dataset

class TextDataset(Dataset):

    def __init__(self, data, vocab, max_len):
        super(TextDataset, self).__init__()
        self.data = data
        self.vocab = vocab
        self.max_len = max_len

    def __getitem__(self, idx):
        sent = self.data[idx][0]
        label = self.data[idx][1]

        # 利用jieba对中文进行分词，再映射到id
        sent_idx = [self.vocab[word] if word in self.vocab else vocab['[UNK]'] for word in jieba.cut(sent)]
        # 不够max_len长度的补0，超出的截掉
        if len(sent_idx) <= self.max_len:
            sent_idx += [vocab['[PAD]'] for _ in range(self.max_len - len(sent_idx))]
        else:
            sent_idx = sent_idx[:self.max_len]

        return sent_idx, label

    def __len__(self):
        return len(self.data)

    def get_labels(self):
        return ['0', '1']

train_ds = TextDataset(train_data, vocab, max_len=100)
dev_ds = TextDataset(dev_data, vocab, max_len=100)

print(train_ds[0])
print(dev_ds[0])
([1, 1203981, 269746, 620612, 358475, 340363, 421393, 147537, 115030, 535777, 269746, 300363, 358475, 828868, 828868, 327208, 865881, 661652, 1, 62211, 828868, 828868, 327208, 1, 459120, 62211, 553315, 1057229, 409314, 4783, 828868, 828868, 327208, 346505, 733784, 1231390, 1, 62211, 1, 877224, 1106339, 850865, 389733, 1093154, 1106328, 1, 666731, 932352, 237839, 428598, 147537, 823066, 1106326, 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, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 0)
([1, 202379, 173188, 705655, 749968, 823066, 1106328, 1124478, 991056, 1084488, 1, 340521, 173188, 1, 348895, 1106339, 382479, 421393, 166145, 1093154, 136954, 269746, 365925, 358475, 4783, 977896, 511894, 823116, 1208194, 1211275, 115414, 173188, 489131, 667149, 1106339, 489131, 1023964, 1106328, 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, 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, 0, 0, 0, 0, 0, 0, 0, 0], 0)

1.4 模型训练

在数据处理好之后，我们就可以根据自己定义的模型进行训练啦，在这里仅讨论数据处理部分，模型的组建大家可以参考我们之前的教程。

# 省略模型组建及实例化过程

# 模型训练
model.prepare(optimizer, loss, metrics)
model.fit(train_ds, dev_ds, epochs=50, batch_size=32, verbose=1)

2. 命名实体识别

命名实体识别（Named Entity Recognition，NER）是NLP中一项非常基础的任务，是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具，其准确度决定了下游任务的效果，是NLP中非常重要的一个基础问题。首先，我们需要了解实体的概念，包括人名、地名、组织结构名以及其他专有名词。根据数据集的不同，实体类别的个数也不相同。例如，本例中使用的CoNLL2003数据集只包含4种实体类别，而另一个NER任务的常用数据集OntoNotes5.0则包含18种实体类别。

2.1 数据集下载

我们采用命名实体识别常用数据集CoNLL2003，该数据集已经为我们划分好训练集、验证集以及测试集。数据集内格式为[word, label]：

SOCCER O 
- O 
JAPAN B-LOC 
GET O 
LUCKY O 
WIN O 
, O 
CHINA B-PER 
IN O 
SURPRISE O 
DEFEAT O 
. O 

此数据集包含四中实体类别，分别为人名(PER)、地名(LOC)、组织机构名(ORG)、其他(MISC)。并且采用BIO的标注方式，B表示实体的起始单词，I表示实体内部单词，O表示非实体。

import paddle
import numpy as np

def load_data(path):
    data = list()

    with open(path, 'r') as f:
        words, labels = list(), list()
        for line in f:
            line = line.strip()
            if line:
                w, l = line.split()
                words.append(w)
                labels.append(l)
            else:
                data.append([words, labels])
                words, labels = list(), list()

        if words:
            data.append([words, labels])

    return data

train_data = load_data('data/data7933/train.txt')
dev_data = load_data('data/data7933/dev.txt')

print('训练集句子数：{}'.format(len(train_data)))
print(train_data[0])
print('验证集句子数：{}'.format(len(dev_data)))
print(dev_data[0])
训练集句子数：14986
[['EU', 'rejects', 'German', 'call', 'to', 'boycott', 'British', 'lamb', '.'], ['B-ORG', 'O', 'B-MISC', 'O', 'O', 'O', 'B-MISC', 'O', 'O']]
验证集句子数：3465
[['CRICKET', '-', 'LEICESTERSHIRE', 'TAKE', 'OVER', 'AT', 'TOP', 'AFTER', 'INNINGS', 'VICTORY', '.'], ['O', 'O', 'B-ORG', 'O', 'O', 'O', 'O', 'O', 'O', 'O', 'O']]

2.2 构建词表

这里我们采用手动构建词表的方式，读取训练集中的数据，分别构建词-id、标签-id的映射关系。

# 根据训练集的数据构建词表
def create_vocab(data, save_path):
    word_list = ['[PAD]', '[UNK]']
    label_list = []

    for i in range(len(data)):
        for word in data[i][0]:
            if word not in word_list:
                word_list.append(word)
        for label in data[i][1]:
            if label not in label_list:
                label_list.append(label)

    with open(save_path + 'word_dict.txt', 'w') as file1:
        for i, w in enumerate(word_list):
            file1.write(w + ' ' + str(i) + '\n')
    with open(save_path + 'label_dict.txt', 'w') as file2:
        for i, l in enumerate(label_list):
            file2.write(l + ' ' + str(i) + '\n')

create_vocab(train_data, 'data/data7933/')

def load_vocab(word_dict_path, label_dict_path):
    word_dict, label_dict = {}, {}

    with open(word_dict_path,'r') as f1:
        for line in f1:
            word, idx = line.strip().split()
            word_dict[word] = idx
    with open(label_dict_path, 'r') as f2:
        for line in f2:
            label, idx = line.strip().split()
            label_dict[label] = idx

    return word_dict, label_dict

word_dict, label_dict = load_vocab('data/data7933/word_dict.txt', 'data/data7933/label_dict.txt')

print('词表大小：{}'.format(len(word_dict)))
print('标签个数：{}'.format(len(label_dict)))
词表大小：23626
标签个数：9

2.3 数据加载

PaddleNLP中提供了很多用于文本处理的接口，这里我们结合PaddleNLP进行数据集的构建以及加载。

# 首先安装paddlenlp
!pip install paddlenlp==2.0.0b

import paddlenlp
from paddlenlp.data import Stack, Tuple, Pad

# 将词或标签转换为id
def convert_tokens_to_ids(tokens, vocab, unk_token=None):
    token_ids = []
    unk_id = vocab.get(unk_token) if unk_token else None

    for token in tokens:
        token_id = vocab.get(token, unk_id)
        token_ids.append(token_id)

    return token_ids

# 自定义数据集
class NERDataset(paddle.io.Dataset):
    def __init__(self, data, word_dict, label_dict):
        self.data = data
        self.word_dict = word_dict
        self.label_dict = label_dict

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        words = self.data[idx][0]
        labels = self.data[idx][1]

        word_ids = convert_tokens_to_ids(words, self.word_dict, unk_token='[UNK]')
        label_ids = convert_tokens_to_ids(labels, self.label_dict)

        return word_ids, len(word_ids), label_ids

train_ds = NERDataset(train_data, word_dict, label_dict)
dev_ds = NERDataset(dev_data, word_dict, label_dict)

print(train_ds[0])
(['2', '3', '4', '5', '6', '7', '8', '9', '10'], 9, ['0', '1', '2', '1', '1', '1', '2', '1', '1'])

 

# 构建dataloader
batchify_fn = lambda samples, fn=Tuple(
    Pad(axis=0, pad_val=train_ds.word_dict['[PAD]']),  # word
    Stack(),  # seq_len
    Pad(axis=0, pad_val=train_ds.word_dict['[PAD]'])  # label 
): fn(samples)

train_loader = paddle.io.DataLoader(
    dataset=train_ds,
    batch_size=32,
    shuffle=True,
    drop_last=True,
    return_list=True,
    collate_fn=batchify_fn
)

dev_loader = paddle.io.DataLoader(
    dataset=dev_ds,
    batch_size=32,
    drop_last=True,
    return_list=True,
    collate_fn=batchify_fn
)

print(len(train_loader))
print(len(dev_loader))

468
108

2.4 模型训练

同样的，我们处理好数据之后，根据自己的需要组建模型，然后就可以进行训练啦。

# 省略模型组建及实例化过程

# 模型训练
model.prepare(optimizer, loss, metrics)
model.fit(train_loader, dev_loader, epochs=50, verbose=1)

总结

本节课和大家一起学习了如何对NLP任务中的数据进行预处理，下节课同学们想实现什么趣味案例呢？欢迎大家在评论区告诉我，我们将会在后续的课程中给大家安排上哈，今天的课程到这里就结束了，我是雨哥，下节课再见啦~

欢迎关注飞桨框架高层API官方账号：飞桨PaddleHapi

https://aistudio.baidu.com/aistudio/personalcenter/thirdview/564527

有任何问题可以在本项目中评论或到飞桨Github仓库提交Issue。

同时欢迎扫码加入飞桨框架高层API技术交流群

回顾往期：

『跟着雨哥学AI』系列：详解飞桨框架数据管道

『跟着雨哥学AI』系列之二：详解飞桨框架模型组网

『跟着雨哥学AI』系列之三：详解飞桨框架模型训练

『跟着雨哥学AI』系列之四：详解飞桨框架高阶用法

『跟着雨哥学AI』系列之五：快速上手趣味案例FashionMNIST

『跟着雨哥学AI』系列之六：趣味案例——基于U-Net的宠物图像分割

『跟着雨哥学AI』系列之七：趣味案例--动手制作专属证件照

如果您想详细了解更多飞桨的相关内容，请参阅以下文档。

·飞桨官网地址·

https://www.paddlepaddle.org.cn/

·飞桨开源框架项目地址·

GitHub: https://github.com/PaddlePaddle/Paddle 

Gitee: https://gitee.com/paddlepaddle/Paddle

????长按上方二维码立即star！????

飞桨(PaddlePaddle)以百度多年的深度学习技术研究和业务应用为基础，是中国首个开源开放、技术领先、功能完备的产业级深度学习平台，包括飞桨开源平台和飞桨企业版。飞桨开源平台包含核心框架、基础模型库、端到端开发套件与工具组件，持续开源核心能力，为产业、学术、科研创新提供基础底座。飞桨企业版基于飞桨开源平台，针对企业级需求增强了相应特性，包含零门槛AI开发平台EasyDL和全功能AI开发平台BML。EasyDL主要面向中小企业，提供零门槛、预置丰富网络和模型、便捷高效的开发平台；BML是为大型企业提供的功能全面、可灵活定制和被深度集成的开发平台。

END