主要内容

使用深度学习对文本数据进行分类

这个示例使用:

打开生活的脚本

这个例子展示了如何使用深度学习长短期记忆(LSTM)网络对文本数据进行分类。

文本数据是自然顺序的。一段文本是一串单词，它们之间可能存在依赖关系。使用LSTM神经网络来学习和使用长期依赖关系对序列数据进行分类。LSTM网络是一种递归神经网络(RNN)，它可以学习序列数据时间步长之间的长期依赖关系。

要向LSTM网络输入文本，首先将文本数据转换为数字序列。可以使用将文档映射到数字索引序列的单词编码来实现这一点。为了更好的结果，还包括一个词嵌入层在网络中。单词嵌入将词汇表中的单词映射为数字向量而不是标量索引。这些嵌入捕获单词的语义细节，因此具有相似含义的单词有相似的向量。它们还通过向量运算建立单词之间的关系模型。例如，关系"罗马之于意大利巴黎是法国是由等式意大利来描述的- - - - - -罗马+巴黎=法国。

在本例中，LSTM网络的训练和使用有四个步骤:

  • 导入并预处理数据。

  • 使用单词编码将单词转换为数字序列。

  • 创建并训练一个带有单词嵌入层的LSTM网络。

  • 使用训练好的LSTM网络对新的文本数据进行分类。

导入数据

导入工厂报表数据。该数据包含有标签的工厂事件的文本描述。若要将文本数据导入为字符串，请指定文本类型“字符串”．

文件名=“factoryReports.csv”；data = readtable(文件名,“TextType”，“字符串”）;头(数据)
ans =8×5表类别描述紧急解决成本  _____________________________________________________________________ ____________________ ________ ____________________ _____ " 项目是偶尔陷入扫描仪卷。”“机械故障”、“中等”、“重新调整机器”、“组装器的活塞发出响亮的咔嗒咔嗒和砰砰的声音。”“机械故障”“中等”“调整机器”“启动工厂时电源被切断”“电子故障”“高”“完全更换”“16200”“组装器内电容器烧毁”“电子故障”“高”“更换元件”“352”“混频器跳闸保险丝。”“电子故障”“低”“列入观察名单”“55”施工剂中爆管正在喷洒冷却剂。"泄漏" "高" "更换部件" 371 "混合器内保险丝熔断"“电子故障”“低”“更换部件”“东西不断从传送带上掉下来。”“机械故障”“低”“重新调整机

这个例子的目标是通过标签对事件进行分类类别列。要将数据划分为类，请将这些标签转换为分类。

数据。类别=分类(data.Category);

使用直方图查看数据中类的分布。

图直方图(data.Category);包含(“类”) ylabel (“频率”)标题(“类分配”）

下一步是将其划分为训练和验证集。将数据划分为训练分区和保留分区，用于验证和测试。指定拒绝符百分比为20%。

本量利= cvpartition(数据。类别,“坚持”, 0.2);dataTrain =数据(训练(cvp):);dataValidation =数据(测试(cvp):);

从分区表中提取文本数据和标签。

textDataTrain = dataTrain.Description;textDataValidation = dataValidation.Description;YTrain = dataTrain.Category;YValidation = dataValidation.Category;

要检查是否正确导入了数据，请使用单词云可视化训练文本数据。

图wordcloud (textDataTrain);标题(“训练数据”）

预处理文本数据

创建一个用于标记和预处理文本数据的函数。这个函数preprocessText，执行以下步骤:

  1. 使用标记文本tokenizedDocument．

  2. 将文本转换为小写字母使用较低的．

  3. 用erasePunctuation．

对训练数据和验证数据进行预处理preprocessText函数。

documentsTrain = preprocessText (textDataTrain);documentsValidation = preprocessText (textDataValidation);

查看前几个预处理的培训文档。

documentsTrain (1:5)
ans = 5×1 tokenizedDocument: 9令牌:项目中偶尔陷入扫描仪线轴10令牌:大声作响,声音来自汇编活塞10令牌:削减能力,启动植物5令牌:油炸电容器在汇编程序4令牌:搅拌机绊倒保险丝

将文档转换为序列

要将文档输入到LSTM网络中，使用单词编码将文档转换为数字索引序列。

要创建单词编码，请使用wordEncoding函数。

内附= wordEncoding (documentsTrain);

下一个转换步骤是填充和截断文档，使它们都具有相同的长度。的trainingOptions函数提供了自动填充和截断输入序列的选项。然而，这些选项不适用于单词向量序列。相反，手动填充和截断序列。如果你left-pad并对词向量序列进行截断，可以提高训练效果。

要填充和截断文档，首先选择目标长度，然后截断比它长的文档，左填充比它短的文档。为了获得最好的结果，目标长度应该是短的，而不丢弃大量的数据。要找到合适的目标长度，请查看训练文档长度的直方图。

documentLengths = doclength (documentsTrain);图直方图(documentLengths)标题(“文档长度”)包含(“长度”) ylabel (“文件”）

大多数培训文件的代币少于10个。使用这个作为截断和填充的目标长度。

使用。将文档转换为数字索引序列doc2sequence．要截断或左填充长度为10的序列，请设置“长度”选择10。

sequenceLength = 10;XTrain = doc2sequence (enc documentsTrain,“长度”, sequenceLength);XTrain (1:5)
ans =5×1单元阵列{1×10 double} {1×10 double} {1×10 double} {1×10 double} {1×10 double}

使用相同的选项将验证文档转换为序列。

XValidation = doc2sequence (enc documentsValidation,“长度”, sequenceLength);

建立和培训LSTM网络

定义LSTM网络架构。要将序列数据输入到网络中，需要包含一个序列输入层，并设置输入大小为1。接下来，包括一个维度为50的单词嵌入层和与单词编码相同的单词数量。接下来，包括一个LSTM层，并设置隐藏单元的数量为80。若要将LSTM层用于序列到标签的分类问题，请将输出模式设置为“最后一次”．最后，添加与类数相同大小的全连接层、softmax层和分类层。

inputSize = 1;embeddingDimension = 50;numHiddenUnits = 80;numWords = enc.NumWords;numClasses =元素个数(类别(YTrain));层= [．..sequenceInputLayer (inputSize) wordEmbeddingLayer embeddingDimension, numWords lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”)软连接层(numClasses)
层x1 = 6层阵列层:1“1维2序列输入序列输入”字嵌入层字嵌入层和50个维度和423个独特的单词3”LSTM LSTM 80隐藏单位4”完全连接4完全连接层5”Softmax Softmax 6”crossentropyex分类输出

指定培训选项

指定培训选项:

  • 用亚当解算器训练。

  • 指定迷你批处理大小为16。

  • 每个纪元都洗牌数据。

  • 通过设置。监控培训进度“阴谋”选项“训练进步”．

  • 属性指定验证数据“ValidationData”选择。

  • 通过设置抑制verbose输出“详细”选项假．

默认情况下,trainNetwork如果GPU可用，则使用GPU。否则，使用CPU。要手动指定执行环境，请使用“ExecutionEnvironment”的名称-值对参数trainingOptions．在CPU上进行训练所花费的时间要比在GPU上花费的时间长得多。使用GPU的培训需要并行计算工具箱™和支持的GPU设备。万博1manbetx有关支持的设备的信息，请参见万博1manbetxGPU支万博1manbetx持情况(并行计算工具箱)．

选择= trainingOptions (“亚当”，．..“MiniBatchSize”, 16岁,．..“GradientThreshold”2,．..“洗牌”，“every-epoch”，．..“ValidationData”{XValidation, YValidation},．..“阴谋”，“训练进步”，．..“详细”、假);

训练LSTM网络使用trainNetwork函数。

网= trainNetwork (XTrain、YTrain层,选择);

使用新数据进行预测

对三个新报告的事件类型进行分类。创建包含新报告的字符串数组。

reportsNew = [．..“冷却剂在分拣机下面汇集。”“分类器在启动时烧断保险丝。”“从组装器里传出很响的咔哒声。”]；

将预处理步骤作为训练文档对文本数据进行预处理。

documentsNew = preprocessText (reportsNew);

使用。将文本数据转换为序列doc2sequence使用与创建训练序列时相同的选项。

XNew = doc2sequence (enc documentsNew,“长度”, sequenceLength);

用训练好的LSTM网络对新的序列进行分类。

XNew labelsNew =分类(净)
labelsNew =3×1分类泄漏电子故障机械故障

预处理功能

这个函数preprocessText执行以下步骤:

  1. 使用标记文本tokenizedDocument．

  2. 将文本转换为小写字母使用较低的．

  3. 用erasePunctuation．

函数文件= preprocessText (textData)标记文本。文件= tokenizedDocument (textData);%转换为小写。文件=低(文件);%擦掉标点符号。= erasePunctuation文件(文档);结束

另请参阅

|||(深度学习工具箱)|(深度学习工具箱)|(深度学习工具箱)||(深度学习工具箱)|

相关的话题

文本分析工具箱文档

万博1manbetx

入门文本分析在MATLAB

入门文本分析在MATLAB

立即下载