用R语言实现深度学习情感分析

作者介绍：

黄升，普兰金融数据分析师，从事数据分析相关工作，擅长R语言，热爱统计和挖掘建模。

前言

到了2018新的一年。18岁虽然没有成为TF-boys，但是2018新的一年可以成为TF（Tensorflow-boys）啊~~

word embeddings介绍

      之前建立的情感分类的模型都是Bag of words方法，仅仅统计词出现的次数这种方法破坏了句子的结构。这样的结构，我们也可以使用如下的向量（one hot 编码）表示句子「The cat sat on the mat」：

      然而，在实际应用中，我们希望学习模型能够在词汇量很大（10,000 字以上）的情况下进行学习。从这里能看到使用「独热码」表示单词的效率问题——对这些词汇建模的任何神经网络的输入层至少都有 17000,000 个节点。因此，我们需要使用更高效的方法表示文本数据，而这种方法不仅可以保存单词的上下文的信息，而且可以在更低的维度上表示。这是 word embeddings 方法发明的初衷。

      word embeddings就是将一个个词映射到低维连续向量(如下图所示) ：

      这种向量的思想就是将相似的词映射到相似方向，所以，语义相似性就可以被编码了。相似性一般可以通过余弦相似度来衡量：

安装TensorFlow和Keras

# 安装并加载Keras包
install.packages("devtools")
devtools::install_github("rstudio/keras")
install_keras()library(keras)

# 安装并加载TensorFlow包
devtools::install_github("rstudio/tensorflow")library(tensorflow)
install_tensorflow()

      注：安装TensorFlow和Keras前需要安装Anaconda，Anaconda尽量装最新版本的，Anaconda在Windows安装有一些坑，我是把Java环境删掉还有使用默认路径才成功安装了Anaconda。

检测是否安装成功

# 输入下面代码
sess = tf$Session()
hello <- tf$constant('Hello, TensorFlow!')
sess$run(hello)

OK,如果没有问题的话，你的结果也将是如上图所示，则表明你已安装成功。

LSTM原理

      长短期记忆网络——通常简称“LSTMs”，是一种特殊的RNN，能够学习长期依赖关系，它可以桥接超过1000步的时间间隔的信息。LSTM由Hochreiter和Schmidhuber （1997）提出，在后期工作中又由许多人进行了调整和普及（除了原始作者之外，许多人为现代LSTM做出了贡献）。LSTM在各种各样的问题上工作非常好，现在被广泛使用。

      LSTMs被设计出来是为了避免长期的依赖性问题，记忆长时间的信息实际上是他们的固有行为，而不是去学习，这点和传统的具有强大的表征学习能力的深度神经网络不同。

      所有的RNNs（包括LSTM）都具有一连串重复神经网络模块的形式。在标准的RNNs中，这种重复模块有一种非常简单的结构，比如单个tanh层：

      什么是tanh？中文叫双曲正切函数，属于神经网络隐藏层的activation function（激活函数）中的一种。别以为是什么好厉害的东西，其实就是一个简单的以原点对称的值域为[-1,1]的非线性函数。而神经网络中比较常见的另外一个激活函数 sigmoid 函数，则不过是把tanh函数往上平移到[0，1]的区间，这个函数在LSTM也会用到。

      LSTM也有像RNN这样的链式结构，只不过重复模块有着与传统的RNN不同的结构，比传统的RNN复杂不少：不只是有一个神经网络层，而是有四个神经网络层，以一个非常特殊的方式进行交互。

      不用担心看不懂细节部分是什么意思，稍后我们将逐步浏览LSTM图。现在，让我们试着去熟悉我们将要使用的符号。

      在上面所示的图中，我们对以上符号进行如下定义：

• 黄块表示学习神经网络层（tanh层或sigmoid层）；

• 粉色圆圈表示按位操作，如向量加法或者向量点乘；

• 每条线代表着一整个向量（vector），用来表示从一个节点的输出到另一个节点的输入；

• 合并的线代表连接或者说是拼接;

• 分叉表示其内容被复制，复制内容将转到不同的位置

LSTMs背后的核心理念

      LSTMs的关键是细胞状态（cell state），是一条水平线，贯穿图的顶部。而Cell 的状态就像是传送带，它的状态会沿着整条链条传送，而只有少数地方有一些线性交互。

      因此“门”就是LSTM控制信息通过的方式，这里的” σ “ 指的是 sigmoid 函数。Sigmoid 层的输出值在 0 到 1 间，表示每个部分所通过的信息。“0” 意味着“让任何事情无法通过”或者说成”忘记所有的事“；“ 1 ”意味着”让一切都通过！“ 或者说”我要记住这一切! “

      一个 LSTM 有三个这样的门，分别是“输入门”、遗忘门“和 ”输出门“，在单一模块里面控制 cell 的状态。

• 遗忘门

      首先，LSTM 的第一步就是让信息通过”遗忘门“，决定需要从 cell 中忘掉哪些信息。它的输入是 ht-1 和 xt。另外，我们之所以使用sigmoid激活函数是因为我们所需要的数字介于0至1之间。Ct−1 就是每个在 cell 中所有在 0 和 1 之间的数值，就像我们刚刚所说的，0 代表全抛弃，1 代表全保留。

      看到这里应该有朋友会问什么是ht，ht是LSTM层在t时刻的输出，但不是最终的输出，ht仅仅是LSTM层输出的向量，要想得到最终的结果还要连接一个softmax层（sigmoid函数的输出是”0“”1“，但是使用softmax函数能在三个类别以上的时候输出相应的概率以解决多分类问题），而x就是我们的输入，是一个又一个的词语。

• 输入门

      下一步，我们需要决定什么样的信息应该被存储起来。这个过程主要分两步。首先是 sigmoid 层（这就是“输入门”）决定我们需要更新哪些值；随后，tanh 层生成了一个新的“候选添加记忆” C`t，最后，我们将这两个值结合起来。结合后能够加入cell的状态（长期记忆）中。

      接下来我们可以更新 cell （长期记忆）的状态了。首先第一步将旧状态与通过遗忘门得到的 ft 相乘，忘记此前我们想要忘记的内容，然后加上通过输入门和tanh层得到的候选记忆 C`t。在忘记我们认为不再需要的记忆并保存输入信息的有用部分后，我们就会得到更新后的长期记忆。

• 输出门
        接下来我们来更新一下ht，即输出的内容，这部分由输出门来完成。首先，我们把 cell 状态通过 tanh 函数，将输出值保持在-1 到 1 间。随后，前一时刻的输出ht-1和xt会通过一个 sigmoid 层，决定 cell 状态输出哪一部分。之后，我们再乘以 sigmoid 门的输出值，就可以得到结果了。

  

R上用LSTM做情感分类

max_features <- 20000
batch_size <- 32

# Cut texts after this number of words (among top max_features most common words)
maxlen <- 80  cat('Loading data...\n')

imdb <- dataset_imdb(num_words = max_features)
x_train <- imdb$train$x
y_train <- imdb$train$y
x_test <- imdb$test$x
y_test <- imdb$test$y
view(x_train)

IMDB数据集包含有2.5万条电影评论，被标记为积极和消极。影评会经过预处理，把每一条影评编码为一个词索引(数字)sequence(前面的一种word embeddings方法） 。

cat(length(x_train), 'train sequences\n')
cat(length(x_test), 'test sequences\n')
cat('Pad sequences (samples x time)\n')

x_train <- pad_sequences(x_train, maxlen = maxlen)
x_test <- pad_sequences(x_test, maxlen = maxlen)

cat('x_train shape:', dim(x_train), '\n')
cat('x_test shape:', dim(x_test), '\n')

cat('Build model...\n')
model <- keras_model_sequential()
model %>%
  layer_embedding(input_dim = max_features, output_dim = 128) %>% 
  layer_lstm(units = 64, dropout = 0.2, recurrent_dropout = 0.2) %>% 
  layer_dense(units = 1, activation = 'sigmoid')

      当然，可以尝试使用不同的优化器和不同的优化器配置：

model %>% compile(
  loss = 'binary_crossentropy',
  optimizer = 'adam',
  metrics = c('accuracy')
)

cat('Train...\n')
model %>% fit(
  x_train, y_train,
  batch_size = batch_size,
  epochs = 15,
  validation_data = list(x_test, y_test)
)

上面代码的训练过程如下图所示（我电脑大概用了20min）：

# 模型的准确度度量
scores <- model %>% evaluate(
  x_test, y_test,
  batch_size = batch_size
)

cat('Test score:', scores[[1]])
cat('Test accuracy', scores[[2]])

      接下来，我们再对比其他模型，不妨以随机森林为例：

library(randomForest)

y_train <- as.factor(y_train)
y_test <- as.factor(y_test)
rf <- randomForest(x=x_train,y=y_train,ntree=1000)
predict <- predict(rf,newdata=x_test)

      

很显然，集成算法随机森林远远没有LSTM出来的效果好。今天关于基于R语言的深度学习就介绍到这里。最后，很高兴和大家一起学习R上的深度学习。

      非常感谢朋友黄升向“每天进步一点点2015”公众号投递原创性文章，同时也欢迎各位网友一起参与知识分享和交流。

https://tensorflow.rstudio.com/keras/articles/examples/imdb_lstm.html
http://colah.github.io/posts/2015-08-Understanding-LSTMs/