TextCNN 模型完全解读及 Keras 实现-技术圈

1、初识TextCNN

最近在做寿命预测问题的研究中，拿到的数据为一维的数据，传统的数据预处理方法主要有PCA、LDA、LLE等，考虑到应用CNN进行特征的提取，从而提高预测的精度。但之前了解到的CNN多应用于图像处理，其输入数据为二维或者多维的数据，因此进一步了解学习应用于文本分类的TextCNN。下一篇文章会通过期刊论文来介绍几篇CNN的具体应用实例，主要介绍模型的网络结构。

TextCNN模型是Yoon Kim在2014年《Convolutional Neural Networks for Sentence Classification》中提出的，利用卷积神经网络（CNN）来对处理文本分类问题（NLP）。该算法利用多个不同大小的kernel来提取句子中的关键信息，从而能更加高效的提取重要特征，实现较好的分类效果。

2、TextCNN结构

该模型的结构如下图：（下图引用于原文）

TextCNN的详细过程见下：（以一句话为例）

（1）输入：自然语言输入为一句话，例如：wait for the video and don't rent it.

（2）数据预处理：首先将一句话拆分为多个词，例如将该句话分为9个词语，分别为：wait, for, the, video, and, do, n't rent, it，接着将词语转换为数字，代表该词在词典中的词索引。

（3）嵌入层：通过word2vec或者GLOV 等embedding 方式将每个词成映射到一个低维空间中，本质上是特征提取器，在指定维度中编码语义特征。例如用长度为6的一维向量来表示每个词语（即词向量的维度为6），wait可以表示为[1,0,0,0,0,0,0]，以此类推，这句话就可以用9*6的二维向量表示。

（4）卷积层：与图像处理的卷积核不同的是，经过词向量表达的文本为一维数据，因此在TextCNN卷积用的是一维卷积。TextCNN卷积核的宽度和词向量的维度一致，高度可以自行设置。以将卷积核的大小设置为[2,3]为例，由于设置了2个卷积核，所以将会得到两个向量，得到的向量大小分别为T1：81和T2：71，向量大小计算过程分别为（9-2-1）=8，（9-3-1）=7，即（词的长度-卷积核大小-1）。

（5）池化层：通过不同高度的卷积核卷积之后，输出的向量维度不同，采用1-Max-pooling将每个特征向量池化成一个值，即抽取每个特征向量的最大值表示该特征。池化完成后还需要将每个值拼接起来，得到池化层最终的特征向量，因此该句话的池化结果就为2*1。

（6）平坦层和全连接层：与CNN模型一样，先对输出池化层输出进行平坦化，再输入全连接层。为了防止过拟合，在输出层之前加上dropout防止过拟合，输出结果就为预测的文本种类。

3、模型实现

（1）数据预处理：TextCNN进行文本分类，原始数据为语句和对应的标签，数据预处理的流程为先将各句子进行分词，接着将每个词转换为正整数用来代表词的编号，最后利用多删少补的原则将每句话设置为等长的词语，得到测试集和训练集的数据。

import pandas as pd
import numpy as np
import jieba
import keras
from keras.layers.merge import concatenate
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.layers.embeddings import Embedding
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dropout, Dense, Input
from keras.models import Model
from sklearn.model_selection import train_test_split
from sklearn import metrics
#数据预处理
def data_process(path, max_len=50):           #path为句子的存储路径，max_len为句子的固定长度
    dataset = pd.read_csv(path, sep='\t', names=[ 'text', 'label']).astype(str)
    cw = lambda x: list(jieba.cut(x))         # 定义分词函数
    dataset['words'] = dataset['text'].apply(cw)  # 将句子进行分词
    tokenizer = Tokenizer()                   # 创建一个Tokenizer对象，将一个词转换为正整数
    tokenizer.fit_on_texts(dataset['words'])  #将词编号，词频越大，编号越小
    vocab = tokenizer.word_index              # 得到每个词的编号
    x_train, x_test, y_train, y_test = train_test_split(dataset['words'], dataset['label'], test_size=0.1)  #划分数据集
    x_train_word_ids = tokenizer.texts_to_sequences(x_train)     #将测试集列表中每个词转换为数字
    x_test_word_ids = tokenizer.texts_to_sequences(x_test)       #将训练集列表中每个词转换为数字
    x_train_padded_seqs = pad_sequences(x_train_word_ids, maxlen=max_len)  # 将每个句子设置为等长，每句默认为50
    x_test_padded_seqs = pad_sequences(x_test_word_ids, maxlen=max_len)    #将超过固定值的部分截掉，不足的在最前面用0填充
    return x_train_padded_seqs,y_train,x_test_padded_seqs,y_test,vocab

（2）网络结构的搭建：TextCNN网络结构主要有嵌入层-卷积层-池化层-dropout-全连接层，将网络的基础操作（损失函数、模型训练、准确率的定义）和网络结构的搭建结合到一个函数中，该部分代码参考：https://github.com/Asia-Lee

# 构建TextCNN模型
def TextCNN_model_1(x_train, y_train, x_test, y_test):
    main_input = Input(shape=(50,), dtype='float64')
    # 嵌入层（使用预训练的词向量）
    embedder = Embedding(len(vocab) + 1, 300, input_length=50, trainable=False)
    embed = embedder(main_input)
    # 卷积层和池化层，设置卷积核大小分别为3,4,5
    cnn1 = Conv1D(256, 3, padding='same', strides=1, activation='relu')(embed)
    cnn1 = MaxPooling1D(pool_size=48)(cnn1)
    cnn2 = Conv1D(256, 4, padding='same', strides=1, activation='relu')(embed)
    cnn2 = MaxPooling1D(pool_size=47)(cnn2)
    cnn3 = Conv1D(256, 5, padding='same', strides=1, activation='relu')(embed)
    cnn3 = MaxPooling1D(pool_size=46)(cnn3)
    # 合并三个模型的输出向量
    cnn = concatenate([cnn1, cnn2, cnn3], axis=-1)
    flat = Flatten()(cnn)
    drop = Dropout(0.2)(flat) #在池化层到全连接层之前可以加上dropout防止过拟合
    main_output = Dense(3, activation='softmax')(drop)
    model = Model(inputs=main_input, outputs=main_output)
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    one_hot_labels = keras.utils.to_categorical(y_train, num_classes=3)  # 将标签转换为one-hot编码
    model.fit(x_train, one_hot_labels, batch_size=800, epochs=2)
    result = model.predict(x_test)  # 预测样本属于每个类别的概率
    result_labels = np.argmax(result, axis=1)  # 获得最大概率对应的标签
    y_predict = list(map(str, result_labels))
    print('准确率', metrics.accuracy_score(y_test, y_predict))

（3）主函数：查看测试精度

if __name__ == '__main__':
    path = 'data_train.csv'
    x_train, y_train, x_test, y_test, vocab = data_process(path)
    TextCNN_model_1(x_train, y_train, x_test, y_test)

4、模型总结

TextCNN处理NLP，输入为一整句话，所以卷积核的宽度与词向量的维度一致，这样用卷积核进行卷积时，不仅考虑了词义而且考虑了词序及其上下文。
TextCNN的结构优化有两个方向，一个是词向量的构造，另一个是网络参数和超参数调优。
TextCNN和CNN的最大不同在于输入数据的维度，图像是二维数据, 图像的卷积核是从左到右, 从上到下进行滑动来进行特征抽取；自然语言是一维数据, 虽然经过word-embedding 生成了二维向量，但是对词向量做从左到右滑动来进行卷积没有意义。

参考文献：

《Convolutional Neural Networks for Sentence Classification》:

https://arxiv.org/abs/1408.5882

Keras中文文档:

https://keras.io/zh/layers/embeddings/

代码参考：

https://github.com/Asia-Lee

作者：xianyang94，zhihu.com/people/xianyang94