使用LSTM网络和Keras进行文本分类

Question

我目前正在使用Naive Bayes算法进行文本分类。

我的最终目标是，如果算法确定该句子属于某个类别，则能够突出显示大文本文档的某些部分。

朴素贝叶斯的结果很好，但我想为这个问题训练一个NN，所以我已经按照这个教程： http://machinelearningmastery.com/sequence-classification-lstm-recurrent-neural-networks-python-keras/在Keras上建立我的LSTM网络。

我现在很难理解所有这些概念，所以如果你在我的代码中看到一些非常愚蠢的事情，请原谅。

1 /培训数据的准备

我有155个不同大小的句子已被标记为标签。

所有这些标记的句子都在training.csv文件中：

8,9,1,2,3,4,5,6,7
16,15,4,6,10,11,12,13,14
17,18
22,19,20,21
24,20,21,23

（每个整数代表一个单词）

所有结果都在另一个label.csv文件中：

6,7,17,15,16,18,4,27,30,30,29,14,16,20,21 ...

我在trainings.csv中有155行，当然在label.csv中有155行

我的词典 1038字。

2 /代码

这是我目前的代码：

total_words = 1039

## fix random seed for reproducibility
numpy.random.seed(7)


datafile = open('training.csv', 'r')
datareader = csv.reader(datafile)
data = []
for row in datareader:
    data.append(row)



X = data;
Y = numpy.genfromtxt("labels.csv", dtype="int", delimiter=",")

max_sentence_length = 500

X_train = sequence.pad_sequences(X, maxlen=max_sentence_length)
X_test = sequence.pad_sequences(X, maxlen=max_sentence_length)


# create the model
embedding_vecor_length = 32
model = Sequential()
model.add(Embedding(total_words, embedding_vecor_length, input_length=max_sentence_length))
model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, Y, epochs=3, batch_size=64)
# Final evaluation of the model
scores = model.evaluate(X_train, Y, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

这种模式永远不会收敛：

155/155 [==============================] - 4s - loss: 0.5694 - acc: 0.0000e+00     
Epoch 2/3
155/155 [==============================] - 3s - loss: -0.2561 - acc: 0.0000e+00     
Epoch 3/3
155/155 [==============================] - 3s - loss: -1.7268 - acc: 0.0000e+00  

我希望将24个标签中的一个作为结果，或者每个标签的概率列表。

我在这里做错了什么？

感谢您的帮助！

Answer 1

由于我的问题发布了很好的评论，我已经更新了我的代码。

Y_train = numpy.genfromtxt("labels.csv", dtype="int", delimiter=",")
Y_test = numpy.genfromtxt("labels_test.csv", dtype="int", delimiter=",")
Y_train =  np_utils.to_categorical(Y_train)
Y_test = np_utils.to_categorical(Y_test)
max_review_length = 50

X_train = sequence.pad_sequences(X_train, maxlen=max_review_length)
X_test = sequence.pad_sequences(X_test, maxlen=max_review_length)


model = Sequential()
model.add(Embedding(top_words, 32, input_length=max_review_length))
model.add(LSTM(10, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(31, activation="softmax"))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=["accuracy"])

model.fit(X_train, Y_train, epochs=100, batch_size=30)

我想我可以使用LSTM尺寸（10或100），纪元数量和批量大小。

模型的准确性很差（40％）。但目前我认为这是因为我没有足够的数据（24个标签有150个句子）。

我将把这个项目置于待机模式，直到我获得更多数据。

如果有人想要改进此代码，请随时发表评论！