Word2Vec模型通過(guò)學(xué)習(xí)大量文本數(shù)據(jù)，將每個(gè)單詞表示為一個(gè)連續(xù)的向量，這些向量可以捕捉單詞之間的語(yǔ)義和句法關(guān)系。本文做文本分類(lèi)是結(jié)合Word2Vec文本內(nèi)容text，預(yù)測(cè)其文本標(biāo)簽label。以下使用mock商品數(shù)據(jù)的代碼實(shí)現(xiàn)過(guò)程過(guò)下：

1、準(zhǔn)備數(shù)據(jù)

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms, datasets
import os,PIL,pathlib,warningswarnings.filterwarnings("ignore")     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)tmp = spark.sql("""
select sku_name,scenefrom dmb_rpt.dmb_jdt_dmbrpt_items_attribute_a_det_m  where dt='2024-07-15'
group by sku_name,scene
""")
tmp.show(2, False)corpus_file = 'large_corpus_sku_name_and_category.txt'
tmp.toPandas().to_csv(corpus_file, sep=',', index=False, mode='w',header=False )

2、加載數(shù)據(jù)

import pandas as pd# 加載自定義中文數(shù)據(jù)
train_data = pd.read_csv(corpus_file, sep=',', header=None)
print("train data:",train_data[:5])# 構(gòu)造數(shù)據(jù)集迭代器
def coustom_data_iter(texts, labels):for x, y in zip(texts, labels):yield x, yx = train_data[0].values[:]
#多類(lèi)標(biāo)簽的one-hot展開(kāi)
y = train_data[1].values[:]
print("x[:5]:\n",x[:5])
print("y[:5]:\n",y[:5])

3、訓(xùn)練 Word2Vec 模型

from gensim.models.word2vec import Word2Vec
import numpy as np# 訓(xùn)練 Word2Vec 淺層神經(jīng)網(wǎng)絡(luò)模型
w2v = Word2Vec(vector_size=100, #是指特征向量的維度，默認(rèn)為100。min_count=3)     #可以對(duì)字典做截?cái)? 詞頻少于min_count次數(shù)的單詞會(huì)被丟棄掉, 默認(rèn)值為5。w2v.build_vocab(x)
w2v.train(x,                         total_examples=w2v.corpus_count, epochs=20)# Word2Vec可以直接訓(xùn)練模型，一步到位。這里分了三步
# 第一步構(gòu)建一個(gè)空模型
# 第二步使用 build_vocab 方法根據(jù)輸入的文本數(shù)據(jù) x 構(gòu)建詞典。build_vocab 方法會(huì)統(tǒng)計(jì)輸入文本中每個(gè)詞匯出現(xiàn)的次數(shù)，并按照詞頻從高到低的順序?qū)⒃~匯加入詞典中。
# 第三步使用 train 方法對(duì)模型進(jìn)行訓(xùn)練，total_examples 參數(shù)指定了訓(xùn)練時(shí)使用的文本數(shù)量，這里使用的是 w2v.corpus_count 屬性，表示輸入文本的數(shù)量# 保存 Word2Vec 模型及詞向量
w2v.save('w2v_model.pkl')

4、搭建文本分類(lèi)模型

4.1 查看文本分類(lèi)

# 查看分類(lèi)
label_name = list(set(train_data[1].values[:]))
print(label_name)

4.2 定義文本向量處理函數(shù)

# 將文本轉(zhuǎn)化為向量
def average_vec(text):vec = np.zeros(100).reshape((1, 100))for word in text:try:vec += w2v.wv[word].reshape((1, 100))except KeyError:continuereturn vec# 這段代碼定義了一個(gè)函數(shù) average_vec(text)，它接受一個(gè)包含多個(gè)詞的列表 text 作為輸入，并返回這些詞對(duì)應(yīng)詞向量的平均值。該函數(shù)# 首先初始化一個(gè)形狀為 (1, 100) 的全零 numpy 數(shù)組來(lái)表示平均向量
# 然后遍歷 text 中的每個(gè)詞，并嘗試從 Word2Vec 模型 w2v 中使用 wv 屬性獲取其對(duì)應(yīng)的詞向量。如果在模型中找到了該詞，函數(shù)將其向量加到 vec 中。如果未找到該詞，函數(shù)會(huì)繼續(xù)迭代下一個(gè)詞
# 最后，函數(shù)返回平均向量 vec# 然后使用列表推導(dǎo)式將 average_vec() 函數(shù)應(yīng)用于列表 x 中的每個(gè)元素。得到的平均向量列表使用 np.concatenate() 連接成一個(gè) numpy 數(shù)組 x_vec，
# 該數(shù)組表示 x 中所有元素的平均向量。x_vec 的形狀為 (n, 100)，其中 n 是 x 中元素的數(shù)量。# 定義文本向量為詞向量的avg
text_pipeline  = lambda x: average_vec(x)
# 根據(jù)分類(lèi)index查找分類(lèi)名稱(chēng)
label_pipeline = lambda x: label_name.index(x)print(text_pipeline("茅臺(tái)貴州"))
print(label_pipeline("聚會(huì)"))

4.3 搭建文本分類(lèi)模型

from torch.utils.data import DataLoaderdef collate_batch(batch):label_list, text_list= [], []for (_text, _label) in batch:# 標(biāo)簽列表label_list.append(label_pipeline(_label))# 文本列表processed_text = torch.tensor(text_pipeline(_text), dtype=torch.float32)text_list.append(processed_text)label_list = torch.tensor(label_list, dtype=torch.int64)text_list  = torch.cat(text_list)return text_list.to(device),label_list.to(device)from torch import nn# 模型搭建
class TextClassificationModel(nn.Module):def __init__(self, num_class):super(TextClassificationModel, self).__init__()self.fc = nn.Linear(100, num_class)def forward(self, text):return self.fc(text)# 訓(xùn)練和評(píng)估
import timedef train(dataloader):model.train()  # 訓(xùn)練模式total_acc, train_loss, total_count = 0, 0, 0log_interval = 50start_time   = time.time()for idx, (text,label) in enumerate(dataloader):predicted_label = model(text)optimizer.zero_grad()                    # grad屬性歸零loss = criterion(predicted_label, label) # 計(jì)算網(wǎng)絡(luò)輸出和真實(shí)值之間的差距，label為真實(shí)值loss.backward()                          # 反向傳播torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪optimizer.step()  # 每一步自動(dòng)更新# 記錄acc與losstotal_acc   += (predicted_label.argmax(1) == label).sum().item()train_loss  += loss.item()total_count += label.size(0)if idx % log_interval == 0 and idx > 0:elapsed = time.time() - start_timeprint('| epoch {:1d} | {:4d}/{:4d} batches ''| train_acc {:4.3f} train_loss {:4.5f}'.format(epoch, idx,len(dataloader),total_acc/total_count, train_loss/total_count))total_acc, train_loss, total_count = 0, 0, 0start_time = time.time()def evaluate(dataloader):model.eval()  # 測(cè)試模式total_acc, train_loss, total_count = 0, 0, 0with torch.no_grad():for idx, (text,label) in enumerate(dataloader):predicted_label = model(text)loss = criterion(predicted_label, label)  # 計(jì)算loss值# 記錄測(cè)試數(shù)據(jù)total_acc   += (predicted_label.argmax(1) == label).sum().item()train_loss  += loss.item()total_count += label.size(0)return total_acc/total_count, train_loss/total_count

4.4 加載數(shù)據(jù)，模型訓(xùn)練

# !pip install torchtext
import math
from torch.utils.data.dataset  import random_split
from torchtext.data.functional import to_map_style_dataset# 初始化
num_class  = len(label_name)
vocab_size = 100000
em_size    = 12
model      = TextClassificationModel(num_class).to(device)# 超參數(shù)
EPOCHS     = 10 # epoch
LR         = 5  # 學(xué)習(xí)率
BATCH_SIZE = 64*6 # batch size for trainingcriterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, 1.0, gamma=0.1)
total_accu = None# 構(gòu)建數(shù)據(jù)集
train_iter    = coustom_data_iter(train_data[0].values[:], train_data[1].values[:])
train_dataset = to_map_style_dataset(train_iter)split_train_, split_valid_ = random_split(train_dataset, [math.floor(len(train_dataset)  *0.8),  math.ceil(len(train_dataset) *0.2)])train_dataloader = DataLoader(split_train_, batch_size=BATCH_SIZE,shuffle=True, collate_fn=collate_batch)valid_dataloader = DataLoader(split_valid_, batch_size=BATCH_SIZE,shuffle=True, collate_fn=collate_batch)for epoch in range(1, EPOCHS + 1):epoch_start_time = time.time()train(train_dataloader)val_acc, val_loss = evaluate(valid_dataloader)# 獲取當(dāng)前的學(xué)習(xí)率lr = optimizer.state_dict()['param_groups'][0]['lr']if total_accu is not None and total_accu > val_acc:scheduler.step()else:total_accu = val_accprint('-' * 69)print('| epoch {:1d} | time: {:4.2f}s | ''valid_acc {:4.3f} valid_loss {:4.3f} | lr {:4.6f}'.format(epoch,time.time() - epoch_start_time,val_acc,val_loss,lr))print('-' * 69)

4.5 模型評(píng)價(jià)

test_acc, test_loss = evaluate(valid_dataloader)
print('模型準(zhǔn)確率為：{:5.4f}'.format(test_acc))

模型準(zhǔn)確率為：0.6767

4.6 模型文本分類(lèi)預(yù)測(cè)

def predict(text, text_pipeline):with torch.no_grad():text = torch.tensor(text_pipeline(text), dtype=torch.float32)print(text.shape)print("==>:", text)output = model(text)return output.argmax(1).item()model = model.to("cpu")for ex_text_str in ["【濃香】五糧液甲辰龍年紀(jì)念酒（5瓶裝）", "【濃香】五糧液財(cái)富人生藍(lán)鉆", "【醬香】茅臺(tái)集團(tuán) 茅鄉(xiāng)名家名作酒", "【濃香】五糧液囍祥瑞添福文化酒"]:print("該商品適合的場(chǎng)景是：%s" %label_name[predict(ex_text_str, text_pipeline)])

Done