基于Bert和通用句子編碼的Spark-NLP文本分類

自然語言處理(NLP)是許多數據科學系統中必須理解或推理文本的關鍵組成部分。常見的用例包括文本分類、問答、釋義或總結、情感分析、自然語言BI、語言建模和消歧。

NLP在越來越多的人工智能應用中是越來越重要。如果你正在構建聊天機器人、搜索專利數據庫、將患者與臨床試驗相匹配、對客戶服務或銷售電話進行分級、從財務報告中提取摘要，你必須從文本中提取準確的信息。

文本分類是現代自然語言處理的主要任務之一，它是為句子或文檔指定一個合適的類別的任務。類別取決于所選的數據集，并且可以從主題開始。

每一個文本分類問題都遵循相似的步驟，并用不同的算法來解決。更不用說經典和流行的機器學習分類器，如隨機森林或Logistic回歸，有150多個深度學習框架提出了各種文本分類問題。

文本分類問題中使用了幾個基準數據集，可以在nlpprogress.com上跟蹤最新的基準。以下是關于這些數據集的基本統計數據。

簡單的文本分類應用程序通常遵循以下步驟：

文本預處理和清理
特征工程(手動從文本創建特征)
特征向量化(TfIDF、頻數、編碼)或嵌入(word2vec、doc2vec、Bert、Elmo、句子嵌入等)
用ML和DL算法訓練模型。

Spark-NLP中的文本分類

在本文中，我們將使用通用句子嵌入(Universal Sentence Embeddings)在Spark NLP中建立一個文本分類模型。然后我們將與其他ML和DL方法以及文本向量化方法進行比較。

Spark NLP中有幾個文本分類選項：

Spark-NLP中的文本預處理及基于Spark-ML的ML算法
Spark-NLP和ML算法中的文本預處理和單詞嵌入(Glove，Bert，Elmo)
Spark-NLP和ML算法中的文本預處理和句子嵌入(Universal Sentence Encoders)
Spark-NLP中的文本預處理和ClassifierDL模塊(基于TensorFlow)

正如我們在關于Spark NLP的重要文章中所深入討論的，在ClassifierDL之前的所有這些文本處理步驟都可以在指定的管道序列中實現，并且每個階段都是一個轉換器或估計器。這些階段按順序運行，輸入數據幀在通過每個階段時進行轉換。也就是說，數據按順序通過各個管道。每個階段的transform()方法更新數據集并將其傳遞到下一個階段。借助于管道，我們可以確保訓練和測試數據經過相同的特征處理步驟。

Universal Sentence Encoders

在自然語言處理(NLP)中，在建立任何深度學習模型之前，文本嵌入起著重要的作用。文本嵌入將文本(單詞或句子)轉換為向量。

基本上，文本嵌入方法在固定長度的向量中對單詞和句子進行編碼，以極大地改進文本數據的處理。這個想法很簡單：出現在相同上下文中的單詞往往有相似的含義。

像Word2vec和Glove這樣的技術是通過將一個單詞轉換成向量來實現的。因此，對應的向量“貓”比“鷹”更接近“狗”。但是，當嵌入一個句子時，整個句子的上下文需要被捕獲到這個向量中。這就是“Universal Sentence Encoders”的功能了。

Universal Sentence Encoders將文本編碼成高維向量，可用于文本分類、語義相似性、聚類和其他自然語言任務。在Tensorflow hub中可以公開使用預訓練的Universal Sentence Encoders。它有兩種變體，一種是用Transformer編碼器訓練的，另一種是用深度平均網絡(DAN)訓練的。

Spark NLP使用Tensorflow hub版本，該版本以一種在Spark環境中運行的方式包裝。也就是說，你只需在Spark NLP中插入并播放此嵌入，然后以分布式方式訓練模型。

為句子生成嵌入，無需進一步計算，因為我們并不是平均句子中每個單詞的單詞嵌入來獲得句子嵌入。

Spark-NLP中ClassifierDL和USE在文本分類的應用

在本文中，我們將使用AGNews數據集(文本分類任務中的基準數據集之一)在Spark NLP中使用USE和ClassifierDL構建文本分類器，后者是Spark NLP 2.4.4版中添加的最新模塊。

ClassifierDL是Spark NLP中第一個多類文本分類器，它使用各種文本嵌入作為文本分類的輸入。ClassifierDLAnnotator使用了一個在TensorFlow內部構建的深度學習模型(DNN)，它最多支持50個類。

也就是說，你可以用這個classifirdl在Spark NLP中用Bert、Elmo、Glove和Universal Sentence Encoders構建一個文本分類器。

我們開始寫代碼吧！

聲明加載必要的包并啟動一個Spark會話。

import sparknlp
spark = sparknlp.start() 
# sparknlp.start(gpu=True) >> 在GPU上訓練
from sparknlp.base import *
from sparknlp.annotator import *
from pyspark.ml import Pipeline
import pandas as pd
print("Spark NLP version", sparknlp.version())
print("Apache Spark version:", spark.version)
>> Spark NLP version 2.4.5
>> Apache Spark version: 2.4.4

然后我們可以從Github repo下載AGNews數據集(https://github.com/JohnSnowLabs/spark-nlp-workshop/tree/master/tutorials/Certification_Trainings/Public)。

! wget https://raw.githubusercontent.com/JohnSnowLabs/spark-nlp-workshop/master/tutorials/Certification_Trainings/Public/data/news_category_train.csv
! wget https://raw.githubusercontent.com/JohnSnowLabs/spark-nlp-workshop/master/tutorials/Certification_Trainings/Public/data/news_category_test.csv
trainDataset = spark.read 
      .option("header", True) 
      .csv("news_category_train.csv")
trainDataset.show(10, truncate=50)
>> 
+--------+--------------------------------------------------+
|category|                                       description|
+--------+--------------------------------------------------+
|Business| Short sellers, Wall Street's dwindling band of...|
|Business| Private investment firm Carlyle Group, which h...|
|Business| Soaring crude prices plus worries about the ec...|
|Business| Authorities have halted oil export flows from ...|
|Business| Tearaway world oil prices, toppling records an...|
|Business| Stocks ended slightly higher on Friday but sta...|
|Business| Assets of the nation's retail money market mut...|
|Business| Retail sales bounced back a bit in July, and n...|
|Business|" After earning a PH.D. in Sociology, Danny Baz...|
|Business| Short sellers, Wall Street's dwindling  band o...|
+--------+--------------------------------------------------+
only showing top 10 rows

AGNews數據集有4個類:World、Sci/Tech、Sports、Business

from pyspark.sql.functions import col
trainDataset.groupBy("category") 
    .count() 
    .orderBy(col("count").desc()) 
    .show()
>>
+--------+-----+
|category|count|
+--------+-----+
|   World|30000|
|Sci/Tech|30000|
|  Sports|30000|
|Business|30000|
+--------+-----+
testDataset = spark.read 
      .option("header", True) 
      .csv("news_category_test.csv")
testDataset.groupBy("category") 
    .count() 
    .orderBy(col("count").desc()) 
    .show()
>>
+--------+-----+
|category|count|
+--------+-----+
|Sci/Tech| 1900|
|  Sports| 1900|
|   World| 1900|
|Business| 1900|
+--------+-----+

現在，我們可以將這個數據提供給Spark NLP DocumentAssembler，它是任何Spark datagram的Spark NLP的入口點。

# 實際內容在description列
document = DocumentAssembler()
    .setInputCol("description")
    .setOutputCol("document")

#我們可以下載預先訓練好的嵌入
use = UniversalSentenceEncoder.pretrained()
 .setInputCols(["document"])
 .setOutputCol("sentence_embeddings")
# classes/labels/categories 在category列
classsifierdl = ClassifierDLApproach()
  .setInputCols(["sentence_embeddings"])
  .setOutputCol("class")
  .setLabelColumn("category")
  .setMaxEpochs(5)
  .setEnableOutputLogs(True)
use_clf_pipeline = Pipeline(
    stages = [
        document,
        use,
        classsifierdl
    ])

以上，我們獲取數據集，輸入，然后從使用中獲取句子嵌入，然后在ClassifierDL中進行訓練

現在我們開始訓練。我們將使用ClassiferDL中的.setMaxEpochs()訓練5個epoch。在Colab環境下，這大約需要10分鐘才能完成。

use_pipelineModel = use_clf_pipeline.fit(trainDataset)

運行此命令時，Spark NLP會將訓練日志寫入主目錄中的annotator_logs文件夾。下面是得到的日志。

如你所見，我們在不到10分鐘的時間內就實現了90%以上的驗證精度，而無需進行文本預處理，這通常是任何NLP建模中最耗時、最費力的一步。

現在讓我們在最早的時候得到預測。我們將使用上面下載的測試集。

下面是通過sklearn庫中的classification_report獲得測試結果。

我們達到了89.3%的測試集精度！看起來不錯！

基于Bert和globe嵌入的Spark-NLP文本預處理分類

與任何文本分類問題一樣，有很多有用的文本預處理技術，包括詞干、詞干分析、拼寫檢查和停用詞刪除，而且除了拼寫檢查之外，Python中幾乎所有的NLP庫都有應用這些技術的工具。目前，Spark NLP庫是唯一一個具備拼寫檢查功能的可用NLP庫。

讓我們在Spark NLP管道中應用這些步驟，然后使用glove嵌入來訓練文本分類器。我們將首先應用幾個文本預處理步驟(僅通過保留字母順序進行標準化，刪除停用詞字和詞干化)，然后獲取每個標記的單詞嵌入(標記的詞干)，然后平均每個句子中的單詞嵌入以獲得每行的句子嵌入。

關于Spark NLP中的所有這些文本預處理工具以及更多內容，你可以在這個Colab筆記本中找到詳細的說明和代碼示例(https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/2.Text_Preprocessing_with_SparkNLP_Annotators_Transformers.ipynb)。

那我們就可以訓練了。

clf_pipelineModel = clf_pipeline.fit(trainDataset)

得到測試結果。

現在我們有88%的測試集精度！即使在所有這些文本清理步驟之后，我們仍然無法擊敗Universal Sentence Embeddings+ClassifierDL，這主要是因為USE相對于數據清理后的版本，它在原始文本上執行得更好。

為了訓練與BERT相同的分類器，我們可以在上面構建的同一管道中用BERT_embedding替換glove_embeddings。

word_embeddings = BertEmbeddings
    .pretrained('bert_base_cased', 'en') 
    .setInputCols(["document",'lemma'])
    .setOutputCol("embeddings")
    .setPoolingLayer(-2) # default 0

我們也可以使用Elmo嵌入。

word_embeddings = ElmoEmbeddings
      .pretrained('elmo', 'en')
      .setInputCols(["document",'lemma'])
      .setOutputCol("embeddings")

使用LightPipeline進行快速推理

正如我們在前面的一篇文章中深入討論的，LightPipelines是Spark NLP特有的管道，相當于Spark ML管道，但其目的是處理少量的數據。它們在處理小數據集、調試結果或從服務一次性請求的API運行訓練或預測時非常有用。

Spark NLP LightPipelines是Spark ML管道轉換成在單獨的機器上，變成多線程的任務，對于較小的數據量(較小的是相對的，但5萬個句子大致最大值)來說，速度快了10倍以上。要使用它們，我們只需插入一個經過訓練的管道，我們甚至不需要將輸入文本轉換為DataFrame，就可以將其輸入到一個管道中，該管道首先接受DataFrame作為輸入。當需要從經過訓練的ML模型中獲得幾行文本的預測時，這個功能將非常有用。

LightPipelines很容易創建，而且可以避免處理Spark數據集。它們的速度也非常快，當只在驅動節點上工作時，它們執行并行計算。讓我們看看它是如何適用于我們上面描述的案例的：

light_model = LightPipeline(clf_pipelineModel)
text="Euro 2020 and the Copa America have both been moved to the summer of 2021 due to the coronavirus outbreak."
light_model.annotate(text)['class'][0]
>> "Sports"

你還可以將這個經過訓練的模型保存到磁盤中，然后稍后在另一個Spark管道中與ClassifierDLModel.load()一起使用。

結論

本文在Spark-NLP中利用詞嵌入和Universal Sentence Encoders,訓練了一個多類文本分類模型，在不到10min的訓練時間內獲得了較好的模型精度。整個代碼都可以在這個Github repo中找到(Colab兼容，https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/5.Text_Classification_with_ClassifierDL.ipynb)。我們還準備了另一個Notebook，幾乎涵蓋了Spark NLP和Spark ML中所有可能的文本分類組合(CV、TfIdf、Glove、Bert、Elmo、USE、LR、RF、ClassifierDL、DocClassifier)：https://github.com/JohnSnowLabs/spark-nlp-workshop/blob/master/tutorials/Certification_Trainings/Public/5.1_Text_classification_examples_in_SparkML_SparkNLP.ipynb。

我們還開始為公共和企業(醫療)版本提供在線Spark NLP訓練。這里是所有公共Colab Notebook的鏈接(https://github.com/JohnSnowLabs/spark-nlp-workshop/tree/master/tutorials/Certification_Trainings/Public)

John Snow實驗室將組織虛擬Spark NLP訓練，以下是下一次訓練的鏈接：

https://events.johnsnowlabs.com/online-training-spark-nlp

以上代碼截圖