基于bert模型的文本分类研究：“Predict the Happiness”挑战

Posted 2022-12-15 沈子恒

1. 前言

在2018年10月，Google发布了新的语言表示模型BERT-“Bidirectional Encoder Representations from Transformers”。根据他们的论文所言，在文本分类、实体识别、问答系统等广泛的自然语言处理任务上取得了最新的成果。

2017年12月，参加了Hackerreath的一个挑战“Predict the Happiness”。在这个挑战中，我为这个文本分类问题（Predict the Happiness）构建了一个多层全连接神经网络通过提交的测试数据，我可以得到87.8%的准确率，排名是66。

在互联网上围绕BERT进行了大量的讨论之后，我选择将BERT应用到同一个Challenge中，以证明调整BERT模型是否能将我带到这个挑战的更好排名。

2. Bert安装与预训练模型

• 将BERT Github项目Copy到自己的机器上：

git clone https://github.com/google-research/bert.git

• 直接下载预训练的Bert模型

Google提供了四个预训练模型：

• BERT-Base, Uncased: 12-layer, 768-hidden, 12-heads, 110M parameters
• BERT-Large, Uncased: 24-layer, 1024-hidden, 16-heads, 340M parameters
• BERT-Base, Cased: 12-layer, 768-hidden, 12-heads , 110M parameters
• BERT-Large, Cased: 24-layer, 1024-hidden, 16-heads, 340M parameters

本文下载了BERT-Base, Cased第一个进行文本分类实验。这里，我们需要以符合bert模型的格式准备文本数据。Google规定了数据的格式：

对于train.tsv or dev.tsv：

• 每行需要一个ID
• 每行需要一个整数值作为标签 ( 0,1,2,3 etc)
• 一列完全相同的字母
• 要分类的文本示例

对于test.tsv：

• 每行需要一个ID
• 想要测试的文本示例

下面的python代码片段将读取hackerreath训练数据（train.csv），并根据bert模型机型数据准备：

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from pandas import DataFrame
 
le = LabelEncoder()
 
df = pd.read_csv("data/train.csv")
 
# Creating train and dev dataframes according to BERT
df_bert = pd.DataFrame('user_id':df['User_ID'],
            'label':le.fit_transform(df['Is_Response']),
            'alpha':['a']*df.shape[0],
            'text':df['Description'].replace(r'\\n',' ',regex=True))
 
df_bert_train, df_bert_dev = train_test_split(df_bert, test_size=0.01)
 
# Creating test dataframe according to BERT
df_test = pd.read_csv("data/test.csv")
df_bert_test = pd.DataFrame('User_ID':df_test['User_ID'],
                 'text':df_test['Description'].replace(r'\\n',' ',regex=True))
 
# Saving dataframes to .tsv format as required by BERT
df_bert_train.to_csv('data/train.tsv', sep='\\t', index=False, header=False)
df_bert_dev.to_csv('data/dev.tsv', sep='\\t', index=False, header=False)
df_bert_test.to_csv('data/test.tsv', sep='\\t', index=False, header=True)

原始训练数据格式如下：

符合Bert的训练数据格式如下：

3. 使用BERT预训练模型进行模型训练

进行训练前的检查(太重要了)：

• 所有的.tsv文件都在“data”的文件夹中
• 创建文件夹“bert_output”，保存经过微调的模型，并以“test_results.tsv”的名称生成测试结果

• 检查是否下载了“cased_l-12_h-768_a-12”中的预先训练的bert模型到当前目录

• 确保命令中的路径是相对路径（以“/”开头）

在终端上运行以下命令：

python run_classifier.py 
--task_name=cola 
--do_train=true 
--do_eval=true 
--do_predict=true 
--data_dir=./data/ 
--vocab_file=./cased_L-12_H-768_A-12/vocab.txt 
--bert_config_file=./cased_L-12_H-768_A-12/bert_config.json 
--init_checkpoint=./cased_L-12_H-768_A-12/bert_model.ckpt 
--max_seq_length=400 
--train_batch_size=8 
--learning_rate=2e-5 
--num_train_epochs=3.0 
--output_dir=./bert_output/ 
--do_lower_case=False

在输出目录中生成“test_results.tsv”，作为对测试数据集的预测的结果它包含所有类在列中的预测概率值。

4. 提交结果

下面的python代码将结果从BERT模型转换为.csv格式，以便提交给hackerreath Challenge：

df_results = pd.read_csv("bert_output/test_results.tsv",sep="\\t",header=None)
df_results_csv = pd.DataFrame('User_ID':df_test['User_ID'],
                               'Is_Response':df_results.idxmax(axis=1))
 
# Replacing index with string as required for submission
df_results_csv['Is_Response'].replace(0, 'happy',inplace=True)
df_results_csv['Is_Response'].replace(1, 'not_happy',inplace=True)
 
# writing into .csv
df_results_csv.to_csv('data/result.csv',sep=",",index=None)

下图显示了将概率值转换为提交结果的过程:

BERT的威力就是可以将排名从66升到第4！！！

5. 总结

• Bert的训练环节：

该模型使用两个新的无监督预测任务进行预训练：

BERT使用了一种简单的方法：MASK输入中15%的单词，通过一个深度Bidirectional Transformer encoder运行整个序列，然后只预测MASK的单词例如：

Input: the man went to the [MASK1] . he bought a [MASK2] of milk.
Labels: [MASK1] = store; [MASK2] = gallon

为了学习句子之间的关系，BERT还训练了一个可以从任何单语语料库生成的简单任务：给定两个句子a和b，预测b是a之后的实际下一个句子，还是只是语料库中的一个随机句子。

Sentence A: the man went to the store.
Sentence B: he bought a gallon of milk.
Label: IsNextSentence

Sentence A: the man went to the store.
Sentence B: penguins are flightless.
Label: NotNextSentence

• 根据模型体系结构的规模，有两个预先训练的模型，即BASE和LARGE。

BERT BASE:
    Number of Layers =12
    No. of hidden nodes = 768
    No. of Attention heads =12
    Total Parameters = 110M

BERT LARGE:
    Number of Layers =24,
    No. of hidden nodes = 1024
    No. of Attention heads =16
    Total Parameters = 340M