[源码分析]短评语料Attention-based Aspect Extraction(ABAE)算法

最新推荐文章于 2024-09-22 07:13:20 发布

OneLonelyTree

最新推荐文章于 2024-09-22 07:13:20 发布

阅读量6.8k

点赞数 8

CC 4.0 BY-SA版权

分类专栏：机器学习&深度学习文章标签： ABAE aspect extraction word2vec attention mechanism 新版Python下Windows移植

本文链接：https://blog.youkuaiyun.com/u013695457/article/details/80408299

本文在win10下，基于最新版的anaconda、Keras以及其它模块，在ABAE作者开源代码的基础上进行了移植（原程序基于Python2、Keras1等老的模块）。本文讲解了程序的大致结构，并附录了一些参考资源，最后给出进行了移植和注释的程序的GitHub链接。ABAE是一种aspect extraction算法（提取意见实体的方面），其原理解读可以参看文后链接的文章。

算法介绍
运行环境
源码与数据下载
数据预处理
- preprocess
- word2vec
训练
评估
我的参考文献

算法介绍

在情感分析中，aspect extraction（方面提取）是最关键的任务之一，目的是提取出opinions（意见）针对的对象，例如“The beef was tender and melted in my mouth”中，aspect term（方面关键词）就是beef（细粒度）。ABAE是一种aspect extraction算法。

aspect是opinion mining中意见实体的方面，例如：我们可以把上面找到的beef作为entity，把其归为aspect(food)（粗粒度），当然把beef本身当作aspect也是可以的，但是这个粒度就太细了。为了更好地理解aspect，可以参考文献[1]和[2]。下图给出一些抽取出的aspect的例子，以建立更直观的理解。
这里写图片描述
目前在aspect extraction方面state-of-the-art的工作都是基于LDA的，而LDA本身有一定的缺点，例如：
（1）不编码word co-occurrences（词同现）统计特性，往往导致提取出的aspect中词语关联性不强（指的是top N的词语）。
（2）LDA给每个训练文档都估计一个topics分布，而review corpus往往很短，使得这个估计很困难。

文献[3]提出了一种Attention-based Aspect Extraction，ABAE算法，很好地弥补了LDA-based方法的缺点，取得了不错的效果。作者Ruidan He给出了算法的开源实现，本文主要目的是分析源码并复现其结果。

ABAE算法的原理可以参考上一篇博客。

运行环境

根据作者GitHub上的介绍，对本地环境进行配置。

作者的代码基于Python 2，而我本机上的版本是Python 3，因此实际运行中需要对一些地方进行修改（主要是print语句）。

复现过程在Win10系统下进行，Python则直接采用最新版本的anaconda。

调试的全部过程都是在命令行下进行的，代码在notepadd++和PyCharm上编辑。

程序调试过程的依赖安装会在下面的具体步骤中介绍，实际上直接将各个.py文件中import进的模块全部安装即可，如果安装过程遇到一些问题，一般可以比较容易地查到解决方法。

这里需要特别说明，各种依赖模块我在安装时都没有指定版本，也就是说基本都是安装的最新版本，因此在调试程序过程中遇到了很多问题，需要逐一解决，实际上可以安装作者使用的Theano、Keras版本，并配合Python2，这样可以避免很多麻烦。

源码与数据下载

直接将GitHub上的源码打包下载即可。下载后解压。

根据作者GitHub上的介绍下载原始数据集datasets和作者处理好的preprocessed_data，然后解压到程序主目录下，此时程序的目录如下图：
这里写图片描述
注意到解压后的语料库还是很大的，有700多Mb。

数据预处理

首先要进行数据预处理的工作，主要是两步：
（1）去掉stop words，提取名词的主干。
（2）利用word2vec算法将原始数据转换为词向量。

我们从code中找到preprocess.py和word2vec.py两个文件。

preprocess

preprocess需要调用四个文件，如下所示：

from sklearn.feature_extraction.text import CountVectorizer
from nltk.corpus import stopwords
from nltk.stem.wordnet import WordNetLemmatizer
import codecs

因此，我们需要保证已经安装了sklearn、nltk、codec模块。可以直接用pip指令安装，在命令行中输入：

pip install sklearn
pip install nltk
pip install codecs

其中，nltk模块仅仅通过pip安装还是不够的，为了程序能够顺利运行，还需要先执行以下语句加载stop words和wordnet（用来提取名词的主干），在命令行中：

python
>>>import nltk
>>>nltk.download('stopwords')
>>>nltk.download('wordnet') # 这一句可能会等待较长时间

运行preprocess之前，要注意把print语句加上括号。

preprocess首先把两个语料的训练数据按行读取，逐行处理数据；然后preprocess会逐行读取测试数据，并根据论文中的设置，对于restaurant语料只保留[‘Food’, ‘Staff’, ‘Ambience’]三个aspect的数据，并逐行处理。

下面我们把逐行处理的函数从程序中单独拿出来，稍微进行修改，保存到preprocesstest.py文件中，我们运行这个文件来查看预处理的效果。

from sklearn.feature_extraction.text import CountVectorizer
from nltk.corpus import stopwords
from nltk.stem.wordnet import WordNetLemmatizer
import codecs

# lmtzr.lemmatize(w)只修改名词，如需修改动词时态，需要lmtzr.lemmatize(w, 'v')

# remove stop words and lemmatize words of one sentence.(提取单词主干，例如:'loving'->'love')
if __name__ == '__main__':
    line = 'Bar was a little bit crowded , but these five girls know how to have fun ! ! it was a little hard to understand the waitress and she seemed to have little patience with our questions .'
    lmtzr = WordNetLemmatizer()    
    stop = stopwords.words('english')
    print('[original ]', line)
    text_token = CountVectorizer().build_tokenizer()(line.lower())
    print('[tokenize ]', text_token)
    text_rmstop = [i for i in text_token if i not in stop]
    print('[rmvstops ]', text_rmstop)
    text_stem = [lmtzr.lemmatize(w) for w in text_rmstop]
    print('[lemmatize]', text_stem)

在命令行中运行这个文件，效果如下：
这里写图片描述
程序分别输出原始的一个review, tokenize的结果，去掉停止词的结果，提取名词主干的结果。图片明确展示了每一步操作的效果。

最后，运行preprocess.py文件，发现需要较长时间才能处理完毕，尤其是对beer数据集的预处理。作者已经给出了预处理的结果，我们可以直接使用其结果。

其余代码比较简单，不详细分析。

word2vec

word2vec利用神经网络将原始数据转换为词向量。其需要调用两个模块：gensim和codecs。我们仿照上一步直接安装即可。

利用gensim可以方便地进行word2vec操作，因此代码非常简短。需要注意的是，之所以构造一个generator传入gensim.models.Word2Vec函数，是为了避免加载数据过程中消耗很多时间，可以提高效率。

作者已经提供了训练好的模型，但是在windows下这个模型直接读取的话会出错，我们需要在命令行运行一次word2vec来更新模型，这个操作需要较长时间。更新完成后，我们可以利用这个模型来查看一些单词的向量形式，检验word2vec的效果。

import gensim
import codecs
import numpy as np

if __name__ == '__main__':
    model_file = '../preprocessed_data/restaurant/w2v_embedding'
    model = gensim.models.Word2Vec.load(model_file)
    print(model.wv['like', 'hello'])

    model_file = '../preprocessed_data/beer/w2v_embedding'
    model = gensim.models.Word2Vec.load(model_file)
    print(model.wv['like', 'hello'])