拓端tecdat|Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

原文链接：http://tecdat.cn/?p=23151 

原文出处：拓端数据部落公众号

 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。

文本数据是有顺序的。一段文字是一个词的序列，它们之间可能有依赖关系。为了学习和使用长期依赖关系来对序列数据进行分类，可以使用LSTM神经网络。LSTM网络是一种递归神经网络（RNN），可以学习序列数据的时间顺序之间的长期依赖关系。

要向LSTM网络输入文本，首先要将文本数据转换成数字序列。你可以使用单词编码来实现这一点，该编码将文件映射为数字指数的序列。为了获得更好的结果，还可以在网络中加入一个词嵌入层。词汇嵌入将词汇映射为数字向量，而不是标量索引。这些嵌入发现了单词的语义细节，因此具有相似含义的单词具有相似的向量。它们还通过向量算术来模拟单词之间的关系。例如，"罗马之于意大利就像巴黎之于法国 "的关系由方程式意大利-罗马+巴黎=法国来描述。

在这个例子中，训练和使用LSTM网络有四个步骤。

• 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

导入工厂报告数据。该数据包含对工厂事件的标签化文本描述。要把文本数据导入为字符串，指定文本类型为 "字符串"。

1.  
    
2.  
   head(data)

这个例子的目的是通过类别栏中的标签对事件进行分类。为了将数据划分为类别，将这些标签转换为分类的。 

Category = categorical(Category);

使用直方图查看数据中的类别分布。

1.  
   figure
2.  
   histogram(Category);

下一步是将其划分为训练和验证的集合。将数据划分为一个训练分区和一个用于验证和测试的保留分区。指定保留的百分比为20%。 

cvp = cv(Category,'Holdout',0.2);

从分区的表中提取文本数据和标签。 

1.  
   DataTrain = Description;
2.  
   DataValidation = Description;

为了检查你是否正确地导入了数据，可以用词云来可视化训练文本数据。 

wordcloud(DataTrain);

预处理文本数据

创建一个函数，对文本数据进行标记和预处理。列在例子末尾的函数preprocessText，执行这些步骤。
 

• 使用tokenizedDocument对文本进行标记。
• 使用lower将文本转换为小写。
• 使用 erasePunctuation 擦除标点符号。

对训练数据和验证数据进行预处理。 

Train = preprocessText(DataTrain);

查看最初几个预处理的训练文件。 

documentsTrain(1:5)

将文件转换为序列

为了将文档输入到LSTM网络中，使用一个单词编码将文档转换为数字指数序列。

创建一个词的编码 

下一个转换步骤是对文件进行填充和截断，使它们的长度都相同。

要填充和截断文件，首先要选择一个目标长度，然后截断比它长的文件，左移比它短的文件。为了达到最佳效果，目标长度应该很短，而不会丢弃大量的数据。为了找到一个合适的目标长度，可以查看训练文档长度的直方图。

1.  
    
2.  
   histogram(documentLengths)

大多数的训练文件都少于10个标记。将此作为截断和填充的目标长度。

将文档转换为数字索引序列。要截断或向左填充序列的长度为10，将 "长度 "选项设置为10。

1.  
   doc2sequence(enc,'Length');
2.  
    

使用相同的选项将验证文件转换为序列。 

sequence(Length);

创建和训练LSTM网络

定义LSTM网络结构。为了向网络输入序列数据，包括一个序列输入层，并将输入大小设置为1。接下来，包括一个维度为50的词嵌入层，词的数量与词的编码相同。接下来，包括一个LSTM层，并将隐藏单元的数量设置为80。最后，添加一个与类的数量相同的全连接层，一个softmax层，以及一个分类层。 

1.  
   inputSize = 1;
2.  
   Dimension = 50;
3.  
   HiddenUnits = 80;

指定训练选项

• 使用Adam优化器进行训练.

• 指定一个16的小批处理量。

• 每隔一段时间对数据进行随机化。

• 通过设置 "Plots "选项为 "training-progress "来监测训练进度。

• 使用'ValidationData'选项指定验证数据。

• 通过将'Verbose'选项设置为false来抑制输出。

默认情况下，如果有GPU，会使用GPU（需要并行计算工具箱™和支持CUDA®的计算能力3.0以上的GPU）。否则，它将使用CPU。在CPU上训练的时间可能比在GPU上训练的时间长很多。 

1.  
   options('adam', ...
2.  
   'BatchSize',16, ...
3.  
   'Shuffle','every-epoch', ...);

训练LSTM网络。

使用新数据进行预测

对三个新报告的事件类型进行分类。创建一个包含新报告的字符串数组。 

使用预处理步骤对文本数据进行预处理，作为训练文档。 

preprocessText(New);

将文本数据转换为序列，选项与创建训练序列时相同。

sequence(enc,sequenceLength);

使用训练好的LSTM网络对新序列进行分类。 

1.  
   classify(XNew)
2.  
    

---

---

最受欢迎的见解

1.探析大数据期刊文章研究热点

2.618网购数据盘点-剁手族在关注什么

3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究

4.python主题建模可视化lda和t-sne交互式可视化

5.疫情下的新闻数据观察

6.python主题lda建模和t-sne可视化

7.r语言中对文本数据进行主题模型topic-modeling分析

8.主题模型：数据聆听人民网留言板的那些“网事”

9.python爬虫进行web抓取lda主题语义数据分析