SUBJSent

SUBJSent é uma CLI de classificação de subjetividade de sentenças que tem como objetivo disponibilizar diversas estratégias de classificação de subjetividade de forma simples e descomplicada. Atualmente a classificação se limita à sentenças em inglês, mas há planos para expandi-la também para o português.

A CLI tem duas tasks principais: train e predict. As configurações de ambas podem ser ajustadas no arquivo config.json.

Instalação das dependências

Python 3.6 ou superior.

$ pip install -r requirements.txt

Train

• Exemplo

  $ python subjsent --task train

• Requisitos

  • data_path - caminho para um arquivo csv com as colunas text e label, e.g.

        text, label
        uma sentença subjetiva, 1
        uma sentença objetiva, 0
        ...
    

  • embeddings
    • type - tipo de embeddings que será utilizado pelo modelo, "word" ou "sentence".
  • model
    • type - tipo de modelo a ser utilizado, "CNN" ou "MLP".
  • train

• Saída

  Após a execução a seguinte pasta será criada no diretório saved_models:

  saved_models/
  ├── Model #/
          ├── model.h5  // Arquivo do modelo.
          ├── results.txt // Arquivo com as métricas de teste.
          ├── plots.png // Imagem com os plots das métricas de treino.

Predict

• Exemplo

$ python subjsent --task predict

• Requisitos

  • data_path - caminho para um arquivo csv com a coluna text, contendo as sentenças, e.g.

    text
    sentença 1
    sentença 2
    ...
    

  • model_path - caminho para um arquivo h5, contendo o modelo que será utilizado durante o predict.
  • embeddings
    • type - O tipo de embeddings que será utilizado pelo modelo, "word" ou "sentence".

• Saída

  Após a execução a seguinte pasta será criada no diretório data_output:

  data_output/
  ├── Result #/
          ├── result.csv  // Arquivo contento o valor predito de cada sentença.

Configurações

• Chave - Descrição

  Clique para mostrar

  • data_path - caminho para o csv de interesse. No caso do train para o csv com as sentenças e com os labels e no caso do predict para o csv com as sentenças.

  • model_path - caminho para um arquivo h5, contendo o modelo que será utilizado no predict.

  • embeddings

    • type - tipo de embedding que será utilizado, "word" ou "sentence".

    • length - dimensão dos embeddings.

    • path - caminho para os embeddings, que podem estar em formato txt ou bin no caso de word embeddings ou em formato válido para o hub.load no caso de sentence embeddings.

    • binary - booleano que indica se o arquivo de embeddings é um .bin ou não.

    • convert_to_w2v - booleano que indica se é necessária a conversão para o formato de embeddings do word2vec, caso esteja utilizando o GloVe marque esse campo como true.

  • model

    • type - tipo de modelo que será utilizado. Atualmente é possível utilizar dois tipos de modelos: "CNN" e "MLP". Só é possível utilizar a CNN com embeddings de palavras e só é possível utilizar o MLP com embeddings de sentença.

    • activation - função de ativação que será utilizada nas camadas da rede neural, deve conter uma string que representa uma ativação válida do keras .

    • dense_connections - array de inteiros com a quantidade de unidades de cada uma das camadas densas.

    • dropout_rate - array com floats entre 0 e 1 que representam as taxas de dropout que serão aplicadas no modelo.

    • num_filters - quantidade de filtros que serão aplicados nas camadas de convolução, válido apenas para a CNN.

    • kernel_sizes - tamanho das mascaras de convolução, válido apenas para a CNN.

    • metrics - array com strings que representam as métricas a serem calculadas durante o treinamento, deve conter strings que representam metricas válidas do keras.

    • optimizer - string que representa o otimizador utilizado pelo modelo, deve conter uma string que representa um otimizador válido do keras.

    • learning_rate - float que representa a taxa de apredizagem que será aplicada ao otimizador.

    • loss - string que representa a função de loss que será utilizada no modelo, deve conter uma string que representa uma função de loss válida do keras.

  • train

    • test_size - float que representa a porcentagem dos dados que será separada para o teste.

    • validation_size - float que representa a porcentagem do conjunto de treino que será separada para validação.

    • batch_size - inteiro que representa o tamanho do batch utilizado durante o treinamento.

    • epochs - inteiro que representa o número de épocas do treinamento.

    • plot_history - booleano que indica se as métricas de treino devem ser plotadas ou não.

  • preprocess

    • remove_stopwords - booleano que indica se as stopwords deve ou não serem removidas durante o preprocessamento, o conjunto de stopwords utilizado é o english do nltk.

Mais Informações

Há duas arquiteturas disponíveis para treinamento, uma CNN e um MLP. Mais detalhes sobre elas podem ser encontrados aqui.

A arquitetura da CNN foi baseada no artigo Convolutional Neural Networks for Sentence Classification de Yoon Kim.

A CNN deve ser utilizada ,obrigatoriamente, em conjunto com word embeddings, enquanto o MLP deve ser utilizado em conjunto com sentence embeddings.

No preprocessamento das sentenças da CNN é feita a tokenização e posteriormente um padding a fim de normalizar o tamanho do input da mesma. O padding é feito com base na sentença com maior quantidade de tokens.

No MLP o preprocessamento fica a cargo do modelo utilizado para gerar os embeddings, por isso é importante ficar atento para a quantidade máxima de tokens permitida pelo modelo em questão.

A CNN foi testada com word2vec e GloVe, enquanto que o MLP foi testado com a versão 5 do Universal Sentence Encoder Large - que utiliza transformers.