作者：劉健健

來自：ChallengeHub

Twitter 的推文有許多特點，首先，與 Facebook 不同的是，推文是基于文本的，可以通過 Twitter 接口注冊下載，便于作為自然語言處理所需的語料庫。其次，Twitter 規(guī)定了每一個推文不超過 140 個字，實際推文中的文本長短不一、長度一般較短，有些只有一個句子甚至一個短語，這對其開展情感分類標注帶來許多困難。再者，推文常常是隨性所作，內(nèi)容中包含情感的元素較多，口語化內(nèi)容居多，縮寫隨處都在，并且使用了許多網(wǎng)絡用語，情緒符號、新詞和俚語隨處可見。因此，與正式文本非常不同。如果采用那些適合處理正式文本的情感分類方法來對 Twitter 推文進行情感分類，效果將不盡人意。

公眾情感在包括電影評論、消費者信心、政治選舉、股票走勢預測等眾多領域發(fā)揮著越來越大的影響力。面向公共媒體內(nèi)容開展情感分析是分析公眾情感的一項基礎工作。

二、數(shù)據(jù)基本情況

數(shù)據(jù)集基于推特用戶發(fā)表的推文數(shù)據(jù)集，并且針對部分字段做出了一定的調(diào)整，所有的字段信息請以本練習賽提供的字段信息為準

字段信息內(nèi)容參考如下：

tweet_id string 推文數(shù)據(jù)的唯一ID，比如test_0，train_1024

content string 推特內(nèi)容

label int 推特情感的類別，共13種情感

其中訓練集train.csv包含3w條數(shù)據(jù)，字段包括tweet_id，content，label；測試集test.csv包含1w條數(shù)據(jù)，字段包括tweet_id，content。

tweet_id,content,label
tweet_1,Layinnbedwithaheadacheughhhh...waitinonyourcall...,1
tweet_2,Funeralceremony...gloomyfriday...,1
tweet_3,wantstohangoutwithfriendsSOON!,2
tweet_4,"@dannycastilloWewanttotradewithsomeonewhohasHoustontickets,butnoonewill.",3
tweet_5,"Ishouldbesleep,butimnot!thinkingaboutanoldfriendwhoIwant.buthe'smarriednow.damn,&hewantsme2!scandalous!",1
tweet_6,Hmmm.
http://www.djhero.com/isdown,4
tweet_7,@charvirayCharlenemylove.Imissyou,1
tweet_8,cantfallasleep,3

!head/home/mw/input/Twitter4903/train.csv

tweet_id,content,label
tweet_0,@tiffanylueiknowiwaslistenintobadhabitearlierandistartedfreakinathispart=[,0
tweet_1,Layinnbedwithaheadacheughhhh...waitinonyourcall...,1
tweet_2,Funeralceremony...gloomyfriday...,1
tweet_3,wantstohangoutwithfriendsSOON!,2
tweet_4,"@dannycastilloWewanttotradewithsomeonewhohasHoustontickets,butnoonewill.",3
tweet_5,"Ishouldbesleep,butimnot!thinkingaboutanoldfriendwhoIwant.buthe'smarriednow.damn,&hewantsme2!scandalous!",1
tweet_6,Hmmm.http://www.djhero.com/isdown,4
tweet_7,@charvirayCharlenemylove.Imissyou,1
tweet_8,cantfallasleep,3

!head/home/mw/input/Twitter4903/test.csv

tweet_id,content
tweet_0,Re-pinging@ghostridah14:whydidn'tyougotoprom?BCmybfdidn'tlikemyfriends
tweet_1,@kelcouchI'msorryatleastit'sFriday?
tweet_2,Thestormishereandtheelectricityisgone
tweet_3,Sosleepyagainandit'snoteventhatlate.Ifailonceagain.
tweet_4,"WonderingwhyI'mawakeat7am,writinganewsong,plottingmyevilsecretplotsmuahahaha...ohdamnit,notsecretanymore"
tweet_5,IateSomethingIdon'tknowwhatitis...WhydoIkeepTellingthingsaboutfood
tweet_6,sotiredandithinki'mdefinitelygoingtogetanearinfection.goingtobed"early"foronce.
tweet_7,Itissoannoyingwhenshestartstypingonhercomputerinthemiddleofthenight!
tweet_8,Screwyou@davidbrussee!Ionlyhave3weeks...

!head/home/mw/input/Twitter4903/submission.csv

tweet_id,label
tweet_0,0
tweet_1,0
tweet_2,0
tweet_3,0
tweet_4,0
tweet_5,0
tweet_6,0
tweet_7,0
tweet_8,0

三、數(shù)據(jù)集定義

1.環(huán)境準備

環(huán)境準備 (建議gpu環(huán)境，速度好。pip install paddlepaddle-gpu)

!pipinstallpaddlepaddle
!pipinstall-Upaddlenlp

2.獲取句子最大長度

自定義PaddleNLP dataset的read方法

importpandasaspd
train=pd.read_csv('/home/mw/input/Twitter4903/train.csv')
test=pd.read_csv('/home/mw/input/Twitter4903/test.csv')
sub=pd.read_csv('/home/mw/input/Twitter4903/submission.csv')
print('最大內(nèi)容長度%d'%(max(train['content'].str.len())))

最大內(nèi)容長度 166

3.定義數(shù)據(jù)集

定義讀取函數(shù)

defread(pd_data):
forindex,iteminpd_data.iterrows():
yield{'text':item['content'],'label':item['label'],'qid':item['tweet_id'].strip('tweet_')}

分割訓練集、測試機

frompaddle.ioimportDataset,Subset
frompaddlenlp.datasetsimportMapDataset
frompaddlenlp.datasetsimportload_dataset

dataset=load_dataset(read,pd_data=train,lazy=False)
dev_ds=Subset(dataset=dataset,indices=[iforiinrange(len(dataset))ifi%5==1])
train_ds=Subset(dataset=dataset,indices=[iforiinrange(len(dataset))ifi%5!=1])

查看訓練集

foriinrange(5):
print(train_ds[i])

{'text':'@tiffanylueiknowiwaslistenintobadhabitearlierandistartedfreakinathispart=[','label':0,'qid':'0'}
{'text':'Funeralceremony...gloomyfriday...','label':1,'qid':'2'}
{'text':'wantstohangoutwithfriendsSOON!','label':2,'qid':'3'}
{'text':'@dannycastilloWewanttotradewithsomeonewhohasHoustontickets,butnoonewill.','label':3,'qid':'4'}
{'text':"Ishouldbesleep,butimnot!thinkingaboutanoldfriendwhoIwant.buthe'smarriednow.damn,&hewantsme2!scandalous!",'label':1,'qid':'5'}

在轉(zhuǎn)換為MapDataset類型

train_ds=MapDataset(train_ds)
dev_ds=MapDataset(dev_ds)
print(len(train_ds))
print(len(dev_ds))

240006000

四、模型選擇

近年來，大量的研究表明基于大型語料庫的預訓練模型（Pretrained Models, PTM）可以學習通用的語言表示，有利于下游NLP任務，同時能夠避免從零開始訓練模型。隨著計算能力的發(fā)展，深度模型的出現(xiàn)（即 Transformer）和訓練技巧的增強使得 PTM 不斷發(fā)展，由淺變深。

情感預訓練模型SKEP（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis）。SKEP利用情感知識增強預訓練模型， 在14項中英情感分析典型任務上全面超越SOTA，此工作已經(jīng)被ACL 2020錄用。SKEP是百度研究團隊提出的基于情感知識增強的情感預訓練算法，此算法采用無監(jiān)督方法自動挖掘情感知識，然后利用情感知識構(gòu)建預訓練目標，從而讓機器學會理解情感語義。SKEP為各類情感分析任務提供統(tǒng)一且強大的情感語義表示。

百度研究團隊在三個典型情感分析任務，句子級情感分類（Sentence-level Sentiment Classification），評價目標級情感分類（Aspect-level Sentiment Classification）、觀點抽取（Opinion Role Labeling），共計14個中英文數(shù)據(jù)上進一步驗證了情感預訓練模型SKEP的效果。

具體實驗效果參考：https://github.com/baidu/Senta#skep

PaddleNLP已經(jīng)實現(xiàn)了SKEP預訓練模型，可以通過一行代碼實現(xiàn)SKEP加載。

句子級情感分析模型是SKEP fine-tune 文本分類常用模型SkepForSequenceClassification。其首先通過SKEP提取句子語義特征，之后將語義特征進行分類。

!pipinstallregex

Lookinginindexes:https://mirror.baidu.com/pypi/simple/
Requirementalreadysatisfied:regexin/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages(2021.8.28)

1.Skep模型加載

SkepForSequenceClassification可用于句子級情感分析和目標級情感分析任務。其通過預訓練模型SKEP獲取輸入文本的表示，之后將文本表示進行分類。

pretrained_model_name_or_path：模型名稱。支持"skep_ernie_1.0_large_ch"，“skep_ernie_2.0_large_en”。

** “skep_ernie_1.0_large_ch”：是SKEP模型在預訓練ernie_1.0_large_ch基礎之上在海量中文數(shù)據(jù)上繼續(xù)預訓練得到的中文預訓練模型；

“skep_ernie_2.0_large_en”：是SKEP模型在預訓練ernie_2.0_large_en基礎之上在海量英文數(shù)據(jù)上繼續(xù)預訓練得到的英文預訓練模型；

num_classes: 數(shù)據(jù)集分類類別數(shù)。

關(guān)于SKEP模型實現(xiàn)詳細信息參考：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/paddlenlp/transformers/skep

from paddlenlp.transformers import SkepForSequenceClassification, SkepTokenizer

指定模型名稱，一鍵加載模型

model=SkepForSequenceClassification.from_pretrained(pretrained_model_name_or_path="skep_ernie_2.0_large_en",num_classes=13)

同樣地，通過指定模型名稱一鍵加載對應的Tokenizer，用于處理文本數(shù)據(jù)，如切分token，轉(zhuǎn)token_id等。

tokenizer=SkepTokenizer.from_pretrained(pretrained_model_name_or_path="skep_ernie_2.0_large_en")

[2021-09-161058,665][INFO]-Alreadycached/home/aistudio/.paddlenlp/models/skep_ernie_2.0_large_en/skep_ernie_2.0_large_en.pdparams
[2021-09-161010,133][INFO]-Found/home/aistudio/.paddlenlp/models/skep_ernie_2.0_large_en/skep_ernie_2.0_large_en.vocab.txt

2.引入可視化VisualDl

fromvisualdlimportLogWriter

writer=LogWriter("./log")

3.數(shù)據(jù)處理

SKEP模型對文本處理按照字粒度進行處理，我們可以使用PaddleNLP內(nèi)置的SkepTokenizer完成一鍵式處理。

defconvert_example(example,
tokenizer,
max_seq_length=512,
is_test=False):

#將原數(shù)據(jù)處理成model可讀入的格式，enocded_inputs是一個dict，包含input_ids、token_type_ids等字段
encoded_inputs=tokenizer(
text=example["text"],max_seq_len=max_seq_length)

# input_ids：對文本切分token后，在詞匯表中對應的token id
input_ids=encoded_inputs["input_ids"]
# token_type_ids：當前token屬于句子1還是句子2，即上述圖中表達的segment ids
token_type_ids=encoded_inputs["token_type_ids"]

ifnotis_test:
# label：情感極性類別
label=np.array([example["label"]],dtype="int64")
returninput_ids,token_type_ids,label
else:
# qid：每條數(shù)據(jù)的編號
qid=np.array([example["qid"]],dtype="int64")
returninput_ids,token_type_ids,qid

defcreate_dataloader(dataset,
trans_fn=None,
mode='train',
batch_size=1,
batchify_fn=None):

iftrans_fn:
dataset=dataset.map(trans_fn)

shuffle=Trueifmode=='train'elseFalse
ifmode=="train":
sampler=paddle.io.DistributedBatchSampler(
dataset=dataset,batch_size=batch_size,shuffle=shuffle)
else:
sampler=paddle.io.BatchSampler(
dataset=dataset,batch_size=batch_size,shuffle=shuffle)
dataloader=paddle.io.DataLoader(
dataset,batch_sampler=sampler,collate_fn=batchify_fn)
returndataloader

4.評估函數(shù)定義

importnumpyasnp
importpaddle

@paddle.no_grad()
defevaluate(model,criterion,metric,data_loader):

model.eval()
metric.reset()
losses=[]
forbatchindata_loader:
input_ids,token_type_ids,labels=batch
logits=model(input_ids,token_type_ids)
loss=criterion(logits,labels)
losses.append(loss.numpy())
correct=metric.compute(logits,labels)
metric.update(correct)
accu=metric.accumulate()
#print("evalloss:%.5f,accu:%.5f"%(np.mean(losses),accu))
model.train()
metric.reset()
returnnp.mean(losses),accu

5.超參定義

定義損失函數(shù)、優(yōu)化器以及評價指標后，即可開始訓練。

推薦超參設置：

batch_size=100
max_seq_length=166
batch_size=100
learning_rate=4e-5
epochs=32
warmup_proportion=0.1
weight_decay=0.01

實際運行時可以根據(jù)顯存大小調(diào)整batch_size和max_seq_length大小。

importos
fromfunctoolsimportpartial


importnumpyasnp
importpaddle
importpaddle.nn.functionalasF
frompaddlenlp.dataimportStack,Tuple,Pad

#批量數(shù)據(jù)大小
batch_size=100
#文本序列最大長度166
max_seq_length=166
#批量數(shù)據(jù)大小
batch_size=100
#定義訓練過程中的最大學習率
learning_rate=4e-5
#訓練輪次
epochs=32
#學習率預熱比例
warmup_proportion=0.1
#權(quán)重衰減系數(shù)，類似模型正則項策略，避免模型過擬合
weight_decay=0.01

將數(shù)據(jù)處理成模型可讀入的數(shù)據(jù)格式

trans_func=partial(
convert_example,
tokenizer=tokenizer,
max_seq_length=max_seq_length)

將數(shù)據(jù)組成批量式數(shù)據(jù)，如將不同長度的文本序列padding到批量式數(shù)據(jù)中最大長度將每條數(shù)據(jù)label堆疊在一起

batchify_fn=lambdasamples,fn=Tuple(
Pad(axis=0,pad_val=tokenizer.pad_token_id),#input_ids
Pad(axis=0,pad_val=tokenizer.pad_token_type_id),#token_type_ids
Stack()#labels
):[datafordatainfn(samples)]
train_data_loader=create_dataloader(
train_ds,
mode='train',
batch_size=batch_size,
batchify_fn=batchify_fn,
trans_fn=trans_func)
dev_data_loader=create_dataloader(
dev_ds,
mode='dev',
batch_size=batch_size,
batchify_fn=batchify_fn,
trans_fn=trans_func)

定義超參，loss，優(yōu)化器等

frompaddlenlp.transformersimportLinearDecayWithWarmup
importtime

num_training_steps=len(train_data_loader)*epochs
lr_scheduler=LinearDecayWithWarmup(learning_rate,num_training_steps,warmup_proportion)

AdamW優(yōu)化器

optimizer=paddle.optimizer.AdamW(
learning_rate=lr_scheduler,
parameters=model.parameters(),
weight_decay=weight_decay,
apply_decay_param_fun=lambdax:xin[
p.nameforn,pinmodel.named_parameters()
ifnotany(ndinnforndin["bias","norm"])
])

criterion=paddle.nn.loss.CrossEntropyLoss()#交叉熵損失函數(shù)
metric=paddle.metric.Accuracy()#accuracy評價指標

五、訓練

訓練且保存最佳結(jié)果

開啟訓練

global_step=0
best_val_acc=0
tic_train=time.time()
best_accu=0
forepochinrange(1,epochs+1):
forstep,batchinenumerate(train_data_loader,start=1):
input_ids,token_type_ids,labels=batch
#喂數(shù)據(jù)給model
logits=model(input_ids,token_type_ids)
#計算損失函數(shù)值
loss=criterion(logits,labels)
#預測分類概率值
probs=F.softmax(logits,axis=1)
#計算acc
correct=metric.compute(probs,labels)
metric.update(correct)
acc=metric.accumulate()

global_step+=1

ifglobal_step%10==0:
print(
"globalstep%d,epoch:%d,batch:%d,loss:%.5f,accu:%.5f,speed:%.2fstep/s"
%(global_step,epoch,step,loss,acc,
10/(time.time()-tic_train)))
tic_train=time.time()

#反向梯度回傳，更新參數(shù)
loss.backward()
optimizer.step()
lr_scheduler.step()
optimizer.clear_grad()

ifglobal_step%100==0and:
#評估當前訓練的模型
eval_loss,eval_accu=evaluate(model,criterion,metric,dev_data_loader)
print("evalondevloss:{:.8},accu:{:.8}".format(eval_loss,eval_accu))
#加入eval日志顯示
writer.add_scalar(tag="eval/loss",step=global_step,value=eval_loss)
writer.add_scalar(tag="eval/acc",step=global_step,value=eval_accu)
#加入train日志顯示
writer.add_scalar(tag="train/loss",step=global_step,value=loss)
writer.add_scalar(tag="train/acc",step=global_step,value=acc)
save_dir="best_checkpoint"
#加入保存
ifeval_accu>best_val_acc:
ifnotos.path.exists(save_dir):
os.mkdir(save_dir)
best_val_acc=eval_accu
print(f"模型保存在{global_step}步，最佳eval準確度為{best_val_acc:.8f}！")
save_param_path=os.path.join(save_dir,'best_model.pdparams')
paddle.save(model.state_dict(),save_param_path)
fh=open('best_checkpoint/best_model.txt','w',encoding='utf-8')
fh.write(f"模型保存在{global_step}步，最佳eval準確度為{best_val_acc:.8f}！")
fh.close()

globalstep10,epoch:1,batch:10,loss:2.64415,accu:0.08400,speed:0.96step/s
globalstep20,epoch:1,batch:20,loss:2.48083,accu:0.09050,speed:0.98step/s
globalstep30,epoch:1,batch:30,loss:2.36845,accu:0.10933,speed:0.98step/s
globalstep40,epoch:1,batch:40,loss:2.24933,accu:0.13750,speed:1.00step/s
globalstep50,epoch:1,batch:50,loss:2.14947,accu:0.15380,speed:0.97step/s
globalstep60,epoch:1,batch:60,loss:2.03459,accu:0.17100,speed:0.96step/s
globalstep70,epoch:1,batch:70,loss:2.23222,accu:0.18414,speed:1.01step/s

visualdl 可視化訓練，時刻掌握訓練走勢，不浪費算力
六、預測

訓練完成后，重啟環(huán)境，釋放顯存，開始預測

1.test數(shù)據(jù)集讀取

數(shù)據(jù)讀取

importpandasaspd
frompaddlenlp.datasetsimportload_dataset
frompaddle.ioimportDataset,Subset
frompaddlenlp.datasetsimportMapDataset

test=pd.read_csv('/home/mw/input/Twitter4903/test.csv')

數(shù)據(jù)讀取

defread_test(pd_data):
forindex,iteminpd_data.iterrows():
yield{'text':item['content'],'label':0,'qid':item['tweet_id'].strip('tweet_')}

test_ds=load_dataset(read_test,pd_data=test,lazy=False)
#在轉(zhuǎn)換為MapDataset類型
test_ds=MapDataset(test_ds)
print(len(test_ds))

defconvert_example(example,
tokenizer,
max_seq_length=512,
is_test=False):

#將原數(shù)據(jù)處理成model可讀入的格式，enocded_inputs是一個dict，包含input_ids、token_type_ids等字段
encoded_inputs=tokenizer(
text=example["text"],max_seq_len=max_seq_length)

# input_ids：對文本切分token后，在詞匯表中對應的token id
input_ids=encoded_inputs["input_ids"]
# token_type_ids：當前token屬于句子1還是句子2，即上述圖中表達的segment ids
token_type_ids=encoded_inputs["token_type_ids"]

ifnotis_test:
# label：情感極性類別
label=np.array([example["label"]],dtype="int64")
returninput_ids,token_type_ids,label
else:
# qid：每條數(shù)據(jù)的編號
qid=np.array([example["qid"]],dtype="int64")
returninput_ids,token_type_ids,qid

defcreate_dataloader(dataset,
trans_fn=None,
mode='train',
batch_size=1,
batchify_fn=None):

iftrans_fn:
dataset=dataset.map(trans_fn)

shuffle=Trueifmode=='train'elseFalse
ifmode=="train":
sampler=paddle.io.DistributedBatchSampler(
dataset=dataset,batch_size=batch_size,shuffle=shuffle)
else:
sampler=paddle.io.BatchSampler(
dataset=dataset,batch_size=batch_size,shuffle=shuffle)
dataloader=paddle.io.DataLoader(
dataset,batch_sampler=sampler,collate_fn=batchify_fn)
returndataloader

2.模型加載

frompaddlenlp.transformersimportSkepForSequenceClassification,SkepTokenizer

指定模型名稱，一鍵加載模型

model=SkepForSequenceClassification.from_pretrained(pretrained_model_name_or_path="skep_ernie_2.0_large_en",num_classes=13)

同樣地，通過指定模型名稱一鍵加載對應的Tokenizer，用于處理文本數(shù)據(jù)，如切分token，轉(zhuǎn)token_id等。

tokenizer=SkepTokenizer.from_pretrained(pretrained_model_name_or_path="skep_ernie_2.0_large_en")

fromfunctoolsimportpartial
importnumpyasnp
importpaddle
importpaddle.nn.functionalasF
frompaddlenlp.dataimportStack,Tuple,Pad
batch_size=16
max_seq_length=166
#處理測試集數(shù)據(jù)
trans_func=partial(
convert_example,
tokenizer=tokenizer,
max_seq_length=max_seq_length,
is_test=True)
batchify_fn=lambdasamples,fn=Tuple(
Pad(axis=0,pad_val=tokenizer.pad_token_id),#input
Pad(axis=0,pad_val=tokenizer.pad_token_type_id),#segment
Stack()#qid
):[datafordatainfn(samples)]
test_data_loader=create_dataloader(
test_ds,
mode='test',
batch_size=batch_size,
batchify_fn=batchify_fn,
trans_fn=trans_func)

加載模型

importos

#根據(jù)實際運行情況，更換加載的參數(shù)路徑
params_path='best_checkpoint/best_model.pdparams'
ifparams_pathandos.path.isfile(params_path):
#加載模型參數(shù)
state_dict=paddle.load(params_path)
model.set_dict(state_dict)
print("Loadedparametersfrom%s"%params_path)

3.數(shù)據(jù)預測

results=[]
#切換model模型為評估模式，關(guān)閉dropout等隨機因素
model.eval()
forbatchintest_data_loader:
input_ids,token_type_ids,qids=batch
#喂數(shù)據(jù)給模型
logits=model(input_ids,token_type_ids)
#預測分類
probs=F.softmax(logits,axis=-1)
idx=paddle.argmax(probs,axis=1).numpy()
idx=idx.tolist()
qids=qids.numpy().tolist()
results.extend(zip(qids,idx))

4.保存并提交

#寫入預測結(jié)果，提交
withopen("submission.csv",'w',encoding="utf-8")asf:
#f.write("數(shù)據(jù)ID,評分
")
f.write("tweet_id,label
")

for(idx,label)inresults:
f.write('tweet_'+str(idx[0])+","+str(label)+"
")

七、注意事項

• 1.使用pandas讀取平面文件相對方便
• 2.max_seq_length用pandas統(tǒng)計最大值出來較為合適
• 3.用pandas可以分析數(shù)據(jù)分布
• 4.PaddleNLP在自然語言處理方面，有特別多的積累，特別方便，可上github了解

八、PaddleNLP是什么？

1.gitee地址

https://gitee.com/paddlepaddle/PaddleNLP/blob/develop/README.md

2.簡介

PaddleNLP 2.0是飛槳生態(tài)的文本領域核心庫，具備易用的文本領域API，多場景的應用示例、和高性能分布式訓練三大特點，旨在提升開發(fā)者文本領域的開發(fā)效率，并提供基于飛槳2.0核心框架的NLP任務最佳實踐。