Нейросеть для определения хейтеров — «не, ну это бан»

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Часто ли вы видите токсичные комментарии в соцсетях? Наверное, это зависит от контента, за которым наблюдаешь. Предлагаю немного поэкспериментировать на эту тему и научить нейросеть определять хейтерские комментарии.

Итак, наша глобальная цель — определить является ли комментарий агрессивным, то есть имеем дело с бинарной классификацией. Мы напишем простую нейросеть, обучим ее на датасете комментариев из разных соцсетей, а потом сделаем простой анализ с визуализацией.

Для работы я буду использовать Google Colab. Этот сервис позволяет запускать Jupyter Notebook'и, имея доступ к GPU (NVidia Tesla K80) бесплатно, что ускорит обучение. Мне понадобится backend TensorFlow, дефолтная версия в Colab 1.15.0, поэтому просто обновим до 2.0.0.

Импортируем модуль и обновляем.
from __future__ import absolute_import, division, print_function, unicode_literals import tensorflow as tf !tf_upgrade_v2 -h

Посмотреть текущую версию можно так.

print(tf.__version__)

Подготовительные работы сделаны, импортируем все необходимые модули.

import os  import numpy as np  # For DataFrame object import pandas as pd  # Neural Network from keras.models import Sequential from keras.layers import Dense, Dropout from keras.optimizers import RMSprop  # Text Vectorizing from keras.preprocessing.text import Tokenizer  # Train-test-split from sklearn.model_selection import train_test_split  # History visualization %matplotlib inline import matplotlib.pyplot as plt  # Normalize from sklearn.preprocessing import normalize 

Описание используемых библиотек

  • os — для работы с файловой системой

  • numpy — для работы с массивами

  • pandas — библиотека для анализа табличных данных

  • keras — для построения модели

  • keras.preprocessing.Text — для обработки текста, чтобы подать его в числовом виде для обучения нейронной сети

  • sklearn.train_test_split — для отделения тестовых данных от тренировочных

  • matplotlib — для визуализации процесса обучения

  • sklearn.normalize — для нормализации тестовых и обучающих данных

Разбор данных с Kaggle

Я подгружаю данные прямо в сам Colab-ноутбук. Далее без проблем их уже извлекаю.

path = 'labeled.csv' df = pd.read_csv(path) df.head()

И это шапка нашего датасета… Мне тоже как-то не по себе от «страницу обнови, дебил». Итак, наши данные находятся в таблице, мы ее разделим на две части: данные для обучения и для теста модели. Но это все текст, надо что-то делать.

Обработка данных

Удалим символы новой строки из текста.

def delete_new_line_symbols(text):     text = text.replace(' ', ' ')     return text

df['comment'] = df['comment'].apply(delete_new_line_symbols) df.head()

Комментарии имеют вещественный тип данных, нам необходимо перевести их в целочисленный. Далее сохраняем в отдельную переменную.

target = np.array(df['toxic'].astype('uint8')) target[:5]

Теперь немного обработаем текст с помощью класса Tokenizer. Напишем его экземпляр.

tokenizer = Tokenizer(num_words=30000, filters='!"#$%&()*+,-./:;<=>?@[]^_`{|}~	 ',                        lower=True,                        split=' ',                        char_level=False)

Быстро про параметры

  • num_words — кол-во фиксируемых слов (самых часто встречающихся)

  • filters — последовательность символов, которые будут удаляться

  • lower — булевый параметр, отвечающий за то, будет ли переведён текст в нижний регистр

  • split — основной символ разбиения предложения

  • char_level — указывает на то, будет ли считаться отдельный символ словом

А теперь обработаем текст с помощью класса.

tokenizer.fit_on_texts(df['comment']) matrix = tokenizer.texts_to_matrix(df['comment'], mode='count') matrix.shape

Получили 14к строк-образцов и 30к столбцов-признаков.

Я строю модель из двух слоёв: Dense и Dropout.
def get_model():          model = Sequential()          model.add(Dense(32, activation='relu'))     model.add(Dropout(0.3))     model.add(Dense(16, activation='relu'))     model.add(Dropout(0.3))     model.add(Dense(16, activation='relu'))     model.add(Dense(1, activation='sigmoid'))          model.compile(optimizer=RMSprop(lr=0.0001),                    loss='binary_crossentropy',                   metrics=['accuracy'])          return model

Нормализуем матрицу и разобьем данные на две части, как и договаривались (обучение и тест).

X = normalize(matrix) y = target  X_train, X_test, y_train, y_test = train_test_split(X,                                                      y,                                                     test_size=0.2)  X_train.shape, y_train.shape

Обучение модели

model = get_model()  history = model.fit(X_train,                      y_train,                      epochs=150,                      batch_size=500,                     validation_data=(X_test, y_test))  history

Процесс обучения покажу на последних итерациях.

Визуализация процесса обучения

history = history.history  fig = plt.figure(figsize=(20, 10))  ax1 = fig.add_subplot(221) ax2 = fig.add_subplot(223)  x = range(150)  ax1.plot(x, history['acc'], 'b-', label='Accuracy') ax1.plot(x, history['val_acc'], 'r-', label='Validation accuracy') ax1.legend(loc='lower right')  ax2.plot(x, history['loss'], 'b-', label='Losses') ax2.plot(x, history['val_loss'], 'r-', label='Validation losses') ax2.legend(loc='upper right')

Заключение

Модель вышла примерно на 75-ой эпохе, а дальше ведет себя плохо. Точность в 0,85 не огорчает. Можно поразвлекаться с количеством слоев, гиперпараметрами и попробовать улучшить результат. Это всегда интересно и является частью работы. О своих мыслях пишите в коменты, посмотрим, сколько хейта наберет эта статья.


Источник: habr.com

Комментарии: