Paddle上手实战——NLP经典cls任务“推特文本情感13分类”
实战背景介绍
数据地址:https://www.heywhale.com/home/activity/detail/611cbe90ba12a0001753d1e9/content
Twitter推文具备多重特性,首要之处在于其与Facebook的显著区别——其完全基于文本形式,通过Twitter接口可轻松注册并下载,从而便于作为自然语言处理研究所需的语料库。此外,Twitter明确规定了每篇推文的长度上限为140个字符,实际推文的长短各异,但普遍偏短,部分推文甚至仅包含一个句子或短语,这增加了对其进行情感分类标注的复杂性和挑战性。再者,推文往往具有即兴性,内容中富含情感元素,口语化表达较为普遍,缩写和网络用语频繁出现,情绪符号、新词和俚语亦屡见不鲜,这使得其与正式文本存在显著区别。因此,若采用适用于正式文本的情感分类方法对Twitter推文进行情感分析,其效果往往不尽如人意。
公众情感在多个领域,如电影评论、消费者信心、政治选举以及股票走势预测等,正日益展现出其重要的影响力。针对公共媒体内容进行情感分析,已成为分析公众情感的一项基础性任务,其重要性不言而喻。
准备数据集
数据集基于推特用户发表的推文数据集,并且针对部分字段做出了一定的调整,所有的字段信息请以本练习赛提供的字段信息为准
字段信息内容参考如下:
- tweet_id string 推文数据的唯一ID,比如test_0,train_1024
- content string 推特内容
- label int 推特情感的类别,共13种情感
其中训练集train.csv包含3w条数据,字段包括tweet_id,content,label;测试集test.csv包含1w条数据,字段包括tweet_id,content。
tweet_id,content,label
tweet_1,Layin n bed with a headache ughhhh...waitin on your call...,1
tweet_2,Funeral ceremony...gloomy friday...,1
tweet_3,wants to hang out with friends SOON!,2
tweet_4,"@dannycastillo We want to trade with someone who has Houston tickets, but no one will.",3
tweet_5,"I should be sleep, but im not! thinking about an old friend who I want. but he's married now. damn, & he wants me 2! scandalous!",1
tweet_6,Hmmm.
http://www.djhero.com/ is down,4
tweet_7,@charviray Charlene my love. I miss you,1
tweet_8,cant fall asleep,3
加载数据集
加载数据集
在数据分析和机器学习的项目中,加载数据集是至关重要的一步。数据集的质量、格式和完整性直接影响到后续的分析和模型训练的效果。在本章节中,我们将详细讨论如何加载数据集,并对其进行初步的处理和检查。
一、数据集来源与选择
首先,我们需要明确数据集的来源。数据集可以来自公开的数据仓库、研究机构、商业平台或者通过爬虫等方式自行获取。在选择数据集时,需要考虑数据集的可靠性、时效性、相关性和规模。对于Twitter推文这样的文本数据,我们可能需要从Twitter API或者相关的第三方数据源获取。
二、数据加载方式
数据加载的方式取决于数据的存储格式和所使用的编程环境。对于文本数据,常见的存储格式包括CSV、JSON、TXT等。在Python环境中,我们可以使用pandas库来加载这些数据。
例如,对于CSV格式的数据,可以使用以下代码加载:
import pandas as pd
# 假设数据集名为'tweets.csv'
data = pd.read_csv('tweets.csv')
对于JSON格式的数据,可以使用:
import pandas as pd
# 假设数据集名为'tweets.json'
data = pd.read_json('tweets.json')
如果数据存储在数据库中,则需要使用相应的数据库连接和查询语句来加载数据。
三、数据初步处理
加载数据后,通常需要进行一些初步的处理,包括数据清洗、缺失值处理、异常值处理等。对于Twitter推文数据,可能需要去除无关字符、标点符号、停用词等,并进行文本编码转换。
例如,我们可以使用正则表达式来去除推文中的URL和特殊字符:
import re
# 定义一个函数来清洗推文
def clean_tweet(tweet):
tweet = re.sub(r'http\S+', '', tweet) # 去除URL
tweet = re.sub(r'[^\w\s]', '', tweet) # 去除特殊字符
return tweet
# 应用清洗函数到数据集中的每一行
data['clean_tweet'] = data['tweet'].apply(clean_tweet)
四、数据检查
加载并初步处理数据后,我们需要对数据进行检查,以确保数据的完整性和准确性。这包括检查数据的行数和列数、检查是否有缺失值、检查数据的分布情况等。
# 检查数据集的形状(行数和列数)
print(data.shape)
# 检查缺失值
print(data.isnull().sum())
# 查看数据分布(例如,查看某个字段的唯一值数量)
print(data['column_name'].nunique())
通过这些检查,我们可以对数据的整体情况有一个大致的了解,并为后续的分析和建模工作做好准备。
综上所述,加载数据集是数据分析和机器学习项目中的关键步骤。通过选择合适的数据源、使用适当的加载方式、进行初步的数据处理和检查,我们可以确保数据的质量和可用性,为后续的工作奠定坚实的基础。
本数据集实战代码
tweet_id | content | label | |
---|---|---|---|
0 | tweet_0 | @tiffanylue i know i was listenin to bad habi... | 0 |
1 | tweet_1 | Layin n bed with a headache ughhhh...waitin o... | 1 |
2 | tweet_2 | Funeral ceremony...gloomy friday... | 1 |
3 | tweet_3 | wants to hang out with friends SOON! | 2 |
4 | tweet_4 | @dannycastillo We want to trade with someone w... | 3 |
def read(pd_data):
for index, item in pd_data.iterrows():
yield {
'text': item['content'], 'label': item['label'], 'qid': item['tweet_id'].strip('tweet_')}
# 分割训练集、测试机
from paddle.io import Dataset, Subset
from paddlenlp.datasets import MapDataset
from paddlenlp.datasets import load_dataset
dataset = load_dataset(read, pd_data=train,lazy=False)
dev_ds = Subset(dataset=dataset, indices=[i for i in range(len(dataset)) if i % 5 == 1])
train_ds = Subset(dataset=dataset, indices=[i for i in range(len(dataset)) if i % 5 != 1])
for i in range(5):
print(train_ds[i])
# 在转换为MapDataset类型
train_ds = MapDataset(train_ds)
dev_ds = MapDataset(dev_ds)
print(len(train_ds))
print(len(de