基於Bert和通用句子編碼的Spark-NLP文本分類

2020-12-11 人工智慧遇見磐創

自然語言處理(NLP)是許多數據科學系統中必須理解或推理文本的關鍵組成部分。常見的用例包括文本分類、問答、釋義或總結、情感分析、自然語言BI、語言建模和消歧。

NLP在越來越多的人工智慧應用中是越來越重要。如果你正在構建聊天機器人、搜索專利資料庫、將患者與臨床試驗相匹配、對客戶服務或銷售電話進行分級、從財務報告中提取摘要，你必須從文本中提取準確的信息。

文本分類是現代自然語言處理的主要任務之一，它是為句子或文檔指定一個合適的類別的任務。類別取決於所選的數據集，並且可以從主題開始。

每一個文本分類問題都遵循相似的步驟，並用不同的算法來解決。更不用說經典和流行的機器學習分類器，如隨機森林或Logistic回歸，有150多個深度學習框架提出了各種文本分類問題。

文本分類問題中使用了幾個基準數據集，可以在nlpprogress.com上跟蹤最新的基準。以下是關於這些數據集的基本統計數據。

簡單的文本分類應用程式通常遵循以下步驟：

文本預處理和清理特徵工程(手動從文本創建特徵)特徵向量化(TfIDF、頻數、編碼)或嵌入(word2vec、doc2vec、Bert、Elmo、句子嵌入等)用ML和DL算法訓練模型。Spark-NLP中的文本分類

在本文中，我們將使用通用句子嵌入(Universal Sentence Embeddings)在Spark NLP中建立一個文本分類模型。然後我們將與其他ML和DL方法以及文本向量化方法進行比較。

Spark NLP中有幾個文本分類選項：

Spark-NLP中的文本預處理及基於Spark-ML的ML算法Spark-NLP和ML算法中的文本預處理和單詞嵌入(Glove，Bert，Elmo)Spark-NLP和ML算法中的文本預處理和句子嵌入(Universal Sentence Encoders)Spark-NLP中的文本預處理和ClassifierDL模塊(基於TensorFlow)正如我們在關於Spark NLP的重要文章中所深入討論的，在ClassifierDL之前的所有這些文本處理步驟都可以在指定的管道序列中實現，並且每個階段都是一個轉換器或估計器。這些階段按順序運行，輸入數據幀在通過每個階段時進行轉換。也就是說，數據按順序通過各個管道。每個階段的transform()方法更新數據集並將其傳遞到下一個階段。藉助於管道，我們可以確保訓練和測試數據經過相同的特徵處理步驟。

Universal Sentence Encoders

在自然語言處理(NLP)中，在建立任何深度學習模型之前，文本嵌入起著重要的作用。文本嵌入將文本(單詞或句子)轉換為向量。

基本上，文本嵌入方法在固定長度的向量中對單詞和句子進行編碼，以極大地改進文本數據的處理。這個想法很簡單：出現在相同上下文中的單詞往往有相似的含義。

像Word2vec和Glove這樣的技術是通過將一個單詞轉換成向量來實現的。因此，對應的向量「貓」比「鷹」更接近「狗」。但是，當嵌入一個句子時，整個句子的上下文需要被捕獲到這個向量中。這就是「Universal Sentence Encoders」的功能了。

Universal Sentence Encoders將文本編碼成高維向量，可用於文本分類、語義相似性、聚類和其他自然語言任務。在Tensorflow hub中可以公開使用預訓練的Universal Sentence Encoders。它有兩種變體，一種是用Transformer編碼器訓練的，另一種是用深度平均網絡(DAN)訓練的。

Spark NLP使用Tensorflow hub版本，該版本以一種在Spark環境中運行的方式包裝。也就是說，你只需在Spark NLP中插入並播放此嵌入，然後以分布式方式訓練模型。

為句子生成嵌入，無需進一步計算，因為我們並不是平均句子中每個單詞的單詞嵌入來獲得句子嵌入。

Spark-NLP中ClassifierDL和USE在文本分類的應用

在本文中，我們將使用AGNews數據集(文本分類任務中的基準數據集之一)在Spark NLP中使用USE和ClassifierDL構建文本分類器，後者是Spark NLP 2.4.4版中添加的最新模塊。

ClassifierDL是Spark NLP中第一個多類文本分類器，它使用各種文本嵌入作為文本分類的輸入。ClassifierDLAnnotator使用了一個在TensorFlow內部構建的深度學習模型(DNN)，它最多支持50個類。

也就是說，你可以用這個classifirdl在Spark NLP中用Bert、Elmo、Glove和Universal Sentence Encoders構建一個文本分類器。

我們開始寫代碼吧！

聲明加載必要的包並啟動一個Spark會話。

import sparknlpspark = sparknlp.start() # sparknlp.start(gpu=True) >> 在GPU上訓練from sparknlp.base import *from sparknlp.annotator import *from pyspark.ml import Pipelineimport pandas as pdprint("Spark NLP version", sparknlp.version())print("Apache Spark version:", spark.version)>> Spark NLP version 2.4.5>> Apache Spark version: 2.4.4然後我們可以從Github repo下載AGNews數據集(https://github.com/JohnSnowLabs/spark-nlp-workshop/tree/master/tutorials/Certification_Trainings/Public)。

! wget https://raw.githubusercontent.com/JohnSnowLabs/spark-nlp-workshop/master/tutorials/Certification_Trainings/Public/data/news_category_train.csv! wget https://raw.githubusercontent.com/JohnSnowLabs/spark-nlp-workshop/master/tutorials/Certification_Trainings/Public/data/news_category_test.csvtrainDataset = spark.read \ .option("header", True) \ .csv("news_category_train.csv")trainDataset.show(10, truncate=50)>> +--------+--------------------------------------------------+|category| description|+--------+--------------------------------------------------+|Business| Short sellers, Wall Street's dwindling band of...||Business| Private investment firm Carlyle Group, which h...||Business| Soaring crude prices plus worries about the ec...||Business| Authorities have halted oil export flows from ...||Business| Tearaway world oil prices, toppling records an...||Business| Stocks ended slightly higher on Friday but sta...||Business| Assets of the nation's retail money market mut...||Business| Retail sales bounced back a bit in July, and n...||Business|" After earning a PH.D. in Sociology, Danny Baz...||Business| Short sellers, Wall Street's dwindling band o...|+--------+--------------------------------------------------+only showing top 10 rowsAGNews數據集有4個類:World、Sci/Tech、Sports、Business

from pyspark.sql.functions import coltrainDataset.groupBy("category") \ .count() \ .orderBy(col("count").desc()) \ .show()>>+--------+-----+|category|count|+--------+-----+| World|30000||Sci/Tech|30000|| Sports|30000||Business|30000|+--------+-----+testDataset = spark.read \ .option("header", True) \ .csv("news_category_test.csv")testDataset.groupBy("category") \ .count() \ .orderBy(col("count").desc()) \ .show()>>+--------+-----+|category|count|+--------+-----+|Sci/Tech| 1900|| Sports| 1900|| World| 1900||Business| 1900|+--------+-----+現在，我們可以將這個數據提供給Spark NLP DocumentAssembler，它是任何Spark datagram的Spark NLP的入口點。

# 實際內容在description列document = DocumentAssembler()\ .setInputCol("description")\ .setOutputCol("document")#我們可以下載預先訓練好的嵌入use = UniversalSentenceEncoder.pretrained()\ .setInputCols(["document"])\ .setOutputCol("sentence_embeddings")# classes/labels/categories 在category列classsifierdl = ClassifierDLApproach()\ .setInputCols(["sentence_embeddings"])\ .setOutputCol("class")\ .setLabelColumn("category")\ .setMaxEpochs(5)\ .setEnableOutputLogs(True)use_clf_pipeline = Pipeline( stages = [ document, use, classsifierdl ])以上，我們獲取數據集，輸入，然後從使用中獲取句子嵌入，然後在ClassifierDL中進行訓練

現在我們開始訓練。我們將使用ClassiferDL中的.setMaxEpochs()訓練5個epoch。在Colab環境下，這大約需要10分鐘才能完成。

use_pipelineModel = use_clf_pipeline.fit(trainDataset)運行此命令時，Spark NLP會將訓練日誌寫入主目錄中的annotator_logs文件夾。下面是得到的日誌。

如你所見，我們在不到10分鐘的時間內就實現了90%以上的驗證精度，而無需進行文本預處理，這通常是任何NLP建模中最耗時、最費力的一步。

現在讓我們在最早的時候得到預測。我們將使用上面下載的測試集。

下面是通過sklearn庫中的classification_report獲得測試結果。

我們達到了89.3%的測試集精度！看起來不錯！

基於Bert和globe嵌入的Spark-NLP文本預處理分類

與任何文本分類問題一樣，有很多有用的文本預處理技術，包括詞幹、詞幹分析、拼寫檢查和停用詞刪除，而且除了拼寫檢查之外，Python中幾乎所有的NLP庫都有應用這些技術的工具。目前，Spark NLP庫是唯一一個具備拼寫檢查功能的可用NLP庫。

讓我們在Spark NLP管道中應用這些步驟，然後使用glove嵌入來訓練文本分類器。我們將首先應用幾個文本預處理步驟(僅通過保留字母順序進行標準化，刪除停用詞字和詞幹化)，然後獲取每個標記的單詞嵌入(標記的詞幹)，然後平均每個句子中的單詞嵌入以獲得每行的句子嵌入。

關於Spark NLP中的所有這些文本預處理工具以及更多內容，你可以在這個Colab筆記本中找到詳細的說明和代碼示例(https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/2.Text_Preprocessing_with_SparkNLP_Annotators_Transformers.ipynb)。

那我們就可以訓練了。

clf_pipelineModel = clf_pipeline.fit(trainDataset)得到測試結果。

現在我們有88%的測試集精度！即使在所有這些文本清理步驟之後，我們仍然無法擊敗Universal Sentence Embeddings+ClassifierDL，這主要是因為USE相對於數據清理後的版本，它在原始文本上執行得更好。

為了訓練與BERT相同的分類器，我們可以在上面構建的同一管道中用BERT_embedding替換glove_embeddings。

word_embeddings = BertEmbeddings\ .pretrained('bert_base_cased', 'en') \ .setInputCols(["document",'lemma'])\ .setOutputCol("embeddings")\ .setPoolingLayer(-2) # default 0我們也可以使用Elmo嵌入。

word_embeddings = ElmoEmbeddings\ .pretrained('elmo', 'en')\ .setInputCols(["document",'lemma'])\ .setOutputCol("embeddings")使用LightPipeline進行快速推理

正如我們在前面的一篇文章中深入討論的，LightPipelines是Spark NLP特有的管道，相當於Spark ML管道，但其目的是處理少量的數據。它們在處理小數據集、調試結果或從服務一次性請求的API運行訓練或預測時非常有用。

Spark NLP LightPipelines是Spark ML管道轉換成在單獨的機器上，變成多線程的任務，對於較小的數據量(較小的是相對的，但5萬個句子大致最大值)來說，速度快了10倍以上。要使用它們，我們只需插入一個經過訓練的管道，我們甚至不需要將輸入文本轉換為DataFrame，就可以將其輸入到一個管道中，該管道首先接受DataFrame作為輸入。當需要從經過訓練的ML模型中獲得幾行文本的預測時，這個功能將非常有用。

LightPipelines很容易創建，而且可以避免處理Spark數據集。它們的速度也非常快，當只在驅動節點上工作時，它們執行並行計算。讓我們看看它是如何適用於我們上面描述的案例的：

light_model = LightPipeline(clf_pipelineModel)text="Euro 2020 and the Copa America have both been moved to the summer of 2021 due to the coronavirus outbreak."light_model.annotate(text)['class'][0]>> "Sports"你還可以將這個經過訓練的模型保存到磁碟中，然後稍後在另一個Spark管道中與ClassifierDLModel.load()一起使用。

結論

本文在Spark-NLP中利用詞嵌入和Universal Sentence Encoders,訓練了一個多類文本分類模型，在不到10min的訓練時間內獲得了較好的模型精度。整個代碼都可以在這個Github repo中找到(Colab兼容，https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/5.Text_Classification_with_ClassifierDL.ipynb)。我們還準備了另一個Notebook，幾乎涵蓋了Spark NLP和Spark ML中所有可能的文本分類組合(CV、TfIdf、Glove、Bert、Elmo、USE、LR、RF、ClassifierDL、DocClassifier)：https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/5.1_Text_classification_examples_in_SparkML_SparkNLP.ipynb。

我們還開始為公共和企業(醫療)版本提供在線Spark NLP訓練。這裡是所有公共Colab Notebook的連結(https://github.com/JohnSnowLabs/spark-nlp-workshop/tree/master/tutorials/Certification_Trainings/Public)

John Snow實驗室將組織虛擬Spark NLP訓練，以下是下一次訓練的連結：

https://events.johnsnowlabs.com/online-training-spark-nlp

以上代碼截圖

相關焦點

  • 用Spark-NLP建立文本分類模型
    隨著數據的不斷增長，大多數組織已經轉移到大數據平臺，如apachehadoop和AWS、Azure和GCP等雲產品。這些平臺不僅能夠處理大數據，使組織能夠對非結構化數據（如文本分類）進行大規模分析。但在機器學習方面，大數據系統和機器學習工具之間仍然存在差距。
  • NLP: 基於文本語義的智能問答系統
    0-2 在線系統DEMO項目實現以一種平臺化思路建議系統，是一個通用的解決方案。TF-IDF 方式也在用在關鍵詞提取）方案可以擴展到的業務需求（本文介紹的是一種文本語義匹配通用解決方案）（對話系統檢索式智能問答系統，答案在知識庫中且返回唯一的數據記錄）以圖搜索（resnet 圖片向量化表示）新聞領域文本相似推薦（相似新聞推薦等）基於文本語義匹配檢索系統（文本相似性rank ）針對這類問題，重點文本等通過某種方式進行向量化表示
  • NLP之文本分類:「Tf-Idf、Word2Vec和BERT」三種模型比較
    vs Word2Vec vs BERT翻譯：雷鋒字幕組（關山、wiige）概要在本文中，我將使用NLP和Python來解釋3種不同的文本多分類策略：老式的詞袋法（tf-ldf），著名的詞嵌入法（Word2Vec）和最先進的語言模型（BERT）。
  • 搞定NLP領域的「變形金剛」!教你用BERT進行多標籤文本分類
    預訓練模型在研究領域的應用已經令許多NLP項目的最新成果產生了巨大的飛躍，例如文本分類，自然語言推理和問答。ELMo，ULMFiT 和OpenAI Transformer是其中幾個關鍵的裡程碑。BERT是一種基於transformer架構的雙向模型，它以一種速度更快的基於Attention的方法取代了RNN（LSTM和GRU）的sequential屬性。該模型還在兩個無監督任務（「遮蔽語言模型」和「下一句預測」）上進行了預訓練。
  • XLM —— 基於BERT的跨語言模型
    這個模型在跨語言分類任務（15個語言的句子蘊含任務）上比其他模型取得了更好的效果，並且顯著提升了有預訓練的機器翻譯效果。背景XLM基於幾個核心概念：Transformers, Google 在2017年提出的一種能夠同時處理輸入文本並且學到詞語上下文聯繫的注意力機制。
  • 從 one-hot 到 BERT,帶你一步步理解 BERT
    而自google在2018年10月底公布BERT在11項nlp任務中的卓越表後，BERT（Bidirectional Encoder Representation from Transformers)就成為NLP一枝獨秀，本文將為大家層層剖析bert。NLP常見的任務主要有：中文自動分詞、句法分析、自動摘要、問答系統、文本分類、指代消解、情感分析等。
  • 搞定NLP領域的「變形金剛」!手把手教你用BERT進行多標籤文本分類
    預訓練模型在研究領域的應用已經令許多NLP項目的最新成果產生了巨大的飛躍，例如文本分類，自然語言推理和問答。ELMo，ULMFiT 和OpenAI Transformer是其中幾個關鍵的裡程碑。所有這些算法都允許我們在大型資料庫（例如所有維基百科文章）上預先訓練無監督語言模型，然後在下遊任務上對這些預先訓練的模型進行微調。
  • NLP中的詞向量對比:word2vec/glove/fastText/elmo/GPT/bert
    5、bert為什麼並不總是用實際的[MASK]token替換被「masked」的詞彙？一、文本表示和各詞向量間的對比1、文本表示哪些方法？下面對文本表示進行一個歸納，也就是對於一篇文本可以如何用數學語言表示呢？2、怎麼從語言模型理解詞向量？怎麼理解分布式假設？
  • 一文學會目前最火NLP三大方法:基於TransFormer、RNN\CNN、機器學習!真實實例+解決方法快速入門!
    中文自動分詞（Chinese word segmentation）詞性標註（Part-of-speech tagging）自然語言生成（Natural language generation）文本分類（Text categorization）信息檢索（Information retrieval）信息抽取（Information extraction）機器翻譯（Machine translation）
  • 文本挖掘從小白到精通(十六)--- 像使用scikit-learn一樣玩轉BERT
    |【文本挖掘系列教程】：上一篇文章談到如何簡便的使用bert，好用是好用，但延展性、靈活性不足，主要是很難加入各種自定義特性（比如pipeline、和數值型特徵混合使用等）。為此，我們要不厭其煩的嘗試各種文本特徵抽取方法：TF-IDF、n-gram、word2vec、將其連結到外部知識庫、詞幹化、歸一化乃至分詞。。。自從有了BERT，文本特徵抽取的手工活就少多了！但是，總覺得少了些啥~本教程的目的是用BERT和Sci-kit Learn建立一個最簡單的句子級分類的例子。
  • 前沿|通用句子語義編碼器,谷歌在語義文本相似性上的探索
    近年來，基於神經網絡的自然語言理解研究取得了快速發展（尤其是學習語義文本表示），這些深度方法給人們帶來了全新的應用，且還可以幫助提高各種小數據集自然語言任務的性能。本文討論了兩篇關於谷歌語義表示最新進展的論文，以及兩種可在 TensorFlow Hub 上下載的新模型。
  • 【分享包】最全語音文本數據、工具包大分享,快來下載吧!(II)
    35.bert資源：bert論文中文翻譯:https://github.com/yuanxiaosc/BERT_Paper_Chinese_Translation文本分類實踐: https://github.com/NLPScott/bert-Chinese-classification-task
  • 如何用 Python 和 BERT 做多標籤(multi-label)文本分類?
    10餘行代碼，藉助 BERT 輕鬆完成多標籤（multi-label）文本分類任務。疑問之前我寫了《如何用 Python 和 BERT 做中文文本二元分類？》一文，為你講解過如何用 BERT 語言模型和遷移學習進行文本分類。不少讀者留言詢問：王老師，難道 BERT 只能支持二元分類嗎？
  • 手把手教你完成句子分類,最好上手的BERT初級使用指南
    數據集：https://nlp.stanford.edu/sentiment/index.html模型：句子情感分類我們的目標是創建一個模型，該模型以句子為輸入（就如上述數據集中的評論），輸出為1（句子帶有積極情感）或者0（句子帶有消極情感）
  • NLP03:基於TF-IDF和LogisticRegression的文本分類
    img我們希望隨機數據點被正確分類的概率最大化，這就是最大似然估計。最大似然估計是統計模型中估計參數的通用方法。既然是為了解決二分類問題，其實也就是概率的問題，分類其實都是概率問題。假定：y=1和y=0的時候的概率
  • PTMs|2020最新NLP預訓練模型綜述
    但是相反，nlp領域的優勢在於，存在大量的無監督數據集，如果能夠充分利用這類數據進行訓練，那麼勢必能夠提升模型的能力以及在下遊任務中的表現。nlp中的預訓練模型就是這樣一類能夠在大規模語料上進行無監督訓練，學習得到通用的語言表徵，有助於解決下遊任務的nlp模型。「那麼什麼是好的語言表徵呢」？
  • 圖解當前最強語言模型BERT:NLP是如何攻克遷移學習的?
    技術博主 Jay Alammar 近日發文通過圖解方式生動地講解了 BERT 的架構和方法基礎。2018 年是機器學習模型處理文本（更準確地說是自然語言處理，簡稱 NLP）的一個轉折點。如何最好地表徵詞和句子以便最好地理解其潛在含義和關係？我們對此的概念理解正在快速演進。
  • BERT詳解:開創性自然語言處理框架的全面指南
    OpenAI的GPTOpenAI的GPT擴展了ULMFiT和ELMo帶來的預訓練和微調法。GPT本質上是用基於Transformer的體系結構代替了基於LSTM的語言建模體系結構。GPT模型可以微調到超出文檔分類的多個自然語言處理任務，例如常識推理、語義相似度和閱讀理解。GPT還強調了Transformer框架的重要性，該框架具有更簡單的體系結構，其訓練速度比基於LSTM的模型更快，還能夠通過使用注意機制來學習數據中的複雜模式。
  • 三分鐘帶你讀懂 BERT
    Transformer算法使用編碼-解碼器網絡，但是，由於BERT是預訓練模型，它僅使用編碼來學習輸入文本中的潛在表達。tranformer基於著名的多頭注意模塊(multi-head attention)。 它在視覺和語言任務方面都取得了巨大成功。關於attention的回顧，請參考此處：http://mlexplained.com/2017/12/29/attention-is-all-you-need-explained/BERT卓越的性能基於兩點。
  • 谷歌開源 BERT 模型原始碼
    BERT 是一種對語言表徵進行預訓練的方法，換句話說，是經過大型文本語料庫（如維基百科）訓練後獲得的通用「語言理解」模型，該模型可用於我們最在乎的 NLP 下遊任務（如問答）。BERT 之所以表現得比過往的方法要好，是因為它是首個用於進行 NLP 預訓練的無監督、深度雙向系統。