Transformers框架实战——商品评价的情感分析实战

Transformers框架基础教程及更多实战内容

以商品评价数据集为例,使用bert进行情感分析。
数据集来源：https://github.com/SophonPlus/ChineseNlpCorpus

Step1 导包

1
2
from transformers import AutoTokenizer, AutoModelForSequenceClassification, Trainer, TrainingArguments
from datasets import load_dataset,load_from_disk

Step2 加载数据集

1
dataset = load_dataset("csv", data_files="./JD.com_comments.csv", split='train')

这个数据集共包含720 万条评论，包含用户ID，商品ID，评分，时间，评论标题，评论内容这六个字段。看一下第一条数据。

1
2
3
4
5
6
7
8
{
'userId': 29792,
 'productId': 345003,
 'rating': 5,
 'timestamp': 1368720000,
 'title': '路由器很好',
 'comment': '这款路由器用着感觉不错 感觉是好久没卖出去了吧,那么多的灰尘'
 }

Step3 数据集预处理

在数据集中，rating,title,comment分别表示评分，评价标题，评价内容。我们仅使用rating和comment,剔除数据集中rating或comment为空的数据

1
dataset=dataset.filter( lambda item:  item['rating'] is not None and item['comment'] is not None)

使用分词器进行编码数据

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 加载模型的分词器
tokenizer = AutoTokenizer.from_pretrained("hfl/rbt3")

def process_function(examples):
    '''
    数据处理函数
    rating在数据集中共可取1,2,3,4,5。我们最终的结果与rating的对应关系为：
    好评(0)：4,5
    中性(1)：3
    差评(2):1,2
    '''
    content = examples['comment']
    tokenized_examples = tokenizer(content, max_length=128, truncation=True, padding="max_length")

    rates = [int(ra) for ra in examples["rating"]]
    tokenized_examples["labels"] = [0 if rate > 3 else 2 if rate < 3 else 1 for rate in rates]
    return tokenized_examples

进行数据处理

1
tokenized_datasets = dataset.map(process_function, batched=True, remove_columns=dataset.column_names)

看一下处理完的数据集，并保存到本地，方便下次直接加载

1
2
3
tokenized_datasets.save_to_disk('./waimai_data')
# 从本地加载数据
tokenized_datasets=load_from_disk('./waimai_data')

Step4 划分数据集

把整个数据集按比例划分为训练集和测试集

1
tokenized_datasets=tokenized_datasets.train_test_split(test_size=0.1)

最终的数据集如下，训练集360w条，测试集40w：

1
2
3
4
5
6
7
8
9
10
DatasetDict({
    train: Dataset({
        features: ['input_ids', 'token_type_ids', 'attention_mask', 'labels'],
        num_rows: 3673050
    })
    test: Dataset({
        features: ['input_ids', 'token_type_ids', 'attention_mask', 'labels'],
        num_rows: 408117
    })
})

Step5 创建模型

1
2
# 因为我们是一个多分类问题，需要指定num_labels为3
model = AutoModelForSequenceClassification.from_pretrained("hfl/rbt3",num_labels=3)

Step6 创建评估函数

1
2
3
4
5
6
7
8
9
10
11
12
import evaluate

acc_metric = evaluate.load("accuracy")
f1_metirc = evaluate.load("f1")

def eval_metric(eval_predict):
    predictions, labels = eval_predict
    predictions = predictions.argmax(axis=-1)
    acc = acc_metric.compute(predictions=predictions, references=labels)
    f1 = f1_metirc.compute(predictions=predictions, references=labels,average='micro')
    acc.update(f1)
    return acc

Step7 创建TrainingArguments

1
2
3
4
5
6
7
8
9
10
11
12
13
train_args = TrainingArguments(
		   output_dir="./checkpoints",      # 输出文件夹
		   per_device_train_batch_size=2048,  # 训练时的batch_size
		   per_device_eval_batch_size=2048,  # 验证时的batch_size
		   logging_steps=10,                # log 打印的频率
		   evaluation_strategy="epoch",     # 评估策略
		   save_strategy="epoch",           # 保存策略
		   save_total_limit=3,              # 最大保存数
		   learning_rate=2e-5,              # 学习率
		   num_train_epochs=10,              # 训练轮数
		   weight_decay=0.01,               # weight_decay
		   metric_for_best_model="f1",      # 设定评估指标
		   load_best_model_at_end=True)     # 训练完成后加载最优模型

Step8 创建Trainer

1
2
3
4
5
6
7
from transformers import DataCollatorWithPadding
trainer = Trainer(model=model,
	  args=train_args,
	  train_dataset=tokenized_datasets["train"],
	  eval_dataset=tokenized_datasets["test"],
	  data_collator=DataCollatorWithPadding(tokenizer=tokenizer),
	  compute_metrics=eval_metric)

Step9 模型训练

1
trainer.train()

接下来就是漫长的等待时间了，最终训练结果如下：

1
2
3
4
5
6
7
8
9
10
11
TrainOutput(
global_step=250, 
training_loss=0.43612158012390134, 
metrics={
'train_runtime': 711.8635, 
'train_samples_per_second': 715.39, 
'train_steps_per_second': 0.351, 
'total_flos': 8548939048135680.0, 
'train_loss': 0.43612158012390134, 
'epoch': 10.0}
)

Step10 模型预测

1
2
3
4
5
6
7
8
9
10
11
from transformers import pipeline

# 定义标签
id2_label = { 1: "中性",2:"差评！",0: "好评！"}
model.eval()
model.config.id2label = id2_label
pipe = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0)

print(pipe("还不错，老板送小礼品了"))  
print(pipe("一般般，勉强能用"))  
print(pipe("太垃圾了，跟图片上差远了"))

预测结果：

1
2
3
[{'label': '好评！', 'score': 0.9717923998832703}]
[{'label': '中性', 'score': 0.5955721139907837}]
[{'label': '差评！', 'score': 0.8747568726539612}]

代码地址

商品评价情感分析

更多内容