中文NLP with fastai - Fastai Part4
使用fastai进行自然语言处理
在之前的教程中，我们已经了解了如何利用预训练模型并对其进行微调，以执行图像分类任务（MNIST）。应用于图像的迁移学习原理同样也可以应用于NLP任务。在本教程中，我们将使用名为AWD_LSTM的预训练模型来对中文电影评论进行分类。AWD_LSTM是LSTM的一种变体。LSTM是一种循环神经网络（RNN），专为处理长文本序列而设计。我们将在后续教程中详细讨论RNN。
使用fastai进行中文自然语言处理：实用示例
中文语言处理是一项具有挑战性的任务，因为大多数NLP模型都是用英语等西方语言训练的。与英语不同，中文不使用空格来分隔单词，这使得分词更具挑战性。幸运的是，有像jieba这样的库可以进行中文分词。Jieba和pkuseg是两个专为有效处理中文分词而设计的库。只要是在中文语料库上训练的，可以使用预训练的词嵌入，如Word2Vec、Glove或FastText。在本指南的最后，我将向您展示如何使用Google的BERT变体——中文BERT来捕捉中文文本中的上下文。XLM-RoBERTa是另一个在中文文本上表现良好的多语言模型。除了中文BERT外，还有许多本土模型，如百度的ERNIE（Enhanced Representation through kNowledge IntEgration）和PaddleNLP，阿里巴巴的FastBERT和AliceMind，以及腾讯的TecentPretrain和Chinese Word Vectors。
处理流程
广义上讲，NLP任务有两个基本模块：文本预处理和文本分类。
在文本预处理中，我们希望以计算机能够解释的方式准备文本。即使对于RNN来说，解释文本的上下文含义也是一项非常复杂的任务。Transformer和自注意力机制在这一领域取得了突破（因此在最后有transformer的例子）。为了简单起见，我们现在将主要关注分词和词嵌入步骤。
分词
分词是将文本转换为"标记"的操作，这些标记可以是字符（“a”、“b”、“c”，…）或单词（“hello”、“world”，…），甚至是子字符串，取决于模型的粒度。这就是中文语言变得有趣的地方，因为与英语或基于字母的语言不同，即使是中文字符（我，喜，欢，爱，中）本身也带有含义！因此，中文的词分割变成了一项更艰巨的任务，因为与英语不同，英语中的单词是由空格分隔的，中国人必须通过阅读和记忆来学习如何识别词的边界。因此，需要特殊的算法来分割中文文本。此外，中文文本中的外来词、数字和符号需要特殊处理。
词嵌入
词嵌入是一种将单词表示为向量的方法。在上一个教程中，我们看到了如何将MNIST数据集（灰度图像）转换为3D向量（高度、宽度、颜色）。我们在这里做的概念上也很相似。这些向量的特殊之处在于它们是从大量文本中学习的，那些含义相似的词在高维向量空间中彼此接近（物以类聚）。在本教程中，我们将创建一个自定义的fastai DataBlock，ChineseTextBlock，用于分词和嵌入中文文本。
文本分类
文本分类是为一段文本分配标签的任务。例如，我们可以将电影评论分类为正面或负面。我们将使用fastai的数据加载器和AWD_LSTM来构建一个文本分类器。
设置和导入
# 如果需要，安装所需的包
# !pip install fastai jieba
from fastai.text.all import *
import jieba
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
中文文本示例
为了演示目的，我们将创建一个小型中文电影评论数据集。在实际应用中，您将加载自己的数据集。
# 中文电影评论示例（正面和负面）
positive_reviews = ["这部电影非常精彩，演员的表演令人印象深刻。","剧情紧凑，特效惊人，是今年最好看的电影之一。","导演的手法很独特，将故事讲述得引人入胜。","音乐配乐恰到好处，为电影增添了不少气氛。","这是一部让人回味无穷的佳作，值得一看。"
]negative_reviews = ["情节拖沓，演员表演生硬，浪费了我的时间。","特效做得很差，剧情漏洞百出，非常失望。","导演似乎不知道自己想要表达什么，整部电影混乱不堪。","对白尴尬，角色塑造单薄，完全不推荐。","这部电影毫无亮点，是我今年看过最差的一部。"
]# 创建数据框
reviews = positive_reviews + negative_reviews
labels = ['positive'] * len(positive_reviews) + ['negative'] * len(negative_reviews)df = pd.DataFrame({'text': reviews, 'label': labels})
df = df.sample(frac=1).reset_index(drop=True) # 打乱数据df.head()
| text | label | |
|---|---|---|
| 0 | 这是一部让人回味无穷的佳作，值得一看。 | positive |
| 1 | 剧情紧凑，特效惊人，是今年最好看的电影之一。 | positive |
| 2 | 导演的手法很独特，将故事讲述得引人入胜。 | positive |
| 3 | 特效做得很差，剧情漏洞百出，非常失望。 | negative |
| 4 | 音乐配乐恰到好处，为电影增添了不少气氛。 | positive |
中文文本分词
让我们探索中文文本的不同分词方法。
1. 使用Jieba进行词级分词
我们需要区分在中文NLP上下文中"词"的含义。中文词由提供含义的汉字组成。例如，词"中国"由两个汉字"中"和"国"组成。词"中国"与"中国是一个伟大的国家"中的"中国"含义不同（中国是一个伟大的国家）。后一句中的"中国"是一个名词短语，而前一句中的"中国"是一个名词。前一句中的"中国"是一个单词，而后一句中的"中国"是两个词。前一句中的"中国"是一个单独的标记，而后一句中的"中国"是两个标记。
然而在英语中，一个词就是一个词，比如"China"。所以中文NLP中的词在概念上更类似于英语中的"子词"。
def chinese_word_tokenizer(text):"""使用Jieba进行中文词分割"""# 处理Path对象，通过读取文件if hasattr(text, 'read_text'):text = text.read_text(encoding='utf-8')elif hasattr(text, 'open'):text = text.open(encoding='utf-8').read()# 如果有混合的英文文本，转换为小写text = str(text).lower()# 使用Jieba分割词words = jieba.cut(text)return list(words)