17.11.2019 14:49
uncontrollable 19 7500 Источник
Привет!

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('\n', ' ')
    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='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n', 
                      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.

Комментарии (19)


  1. Carduelis
    17.11.2019 18:28
    #20895918
    +1

    А представьте, была бы официальная фича от хабра, позволяющая постпроцессить комментарии?
    Например, базируясь на карме или ручной модерации, автор статьи мог бы подключить специальный постпроцессор.
    API сделать довольно простым, никаких интерактивных элементов, а простой вывод определенного HTML под/над/вместо комментария.


    Статьи подобного рода были бы в разы живее, интерактивнее и веселее!


    Если автор статьи сделает Firebase Extension с такой фичей, цены бы не было! Жаль, пока они не монетизируются (но в будущем, говорят, будут).


    1. loki82
      18.11.2019 00:00
      #20896634

      На хабре не давно. Но карма тут странная штука. Как пример видел акк, первая статья, 0 комментариев. Минус в карму заработал. Как?


      1. Wolches
        18.11.2019 16:31
        #20898824
        -1

        Чей-то ник забрал


  1. aamonster
    17.11.2019 18:50
    #20895982
    +2

    Страничка, на которой можно поэкспериментировать с готовой сетью, есть?


    Интересно посмотреть один крайний случай: я, когда хочу обидеть и унизить человека, предельно вежлив с ним. Живые люди понимают правильно – а сеть? Вижу две крайности в зависимости от обучающей выборки: или считать все преувеличенно вежливые тексты "добрыми", или считать все токсичными. А как научить различать (на обозримого размера выборке) – не представляю.


    1. olartamonov
      17.11.2019 19:27
      #20896086
      +6

      Фейсбук с его системой модерации давно на этот вопрос ответил: никак не научить, бань всех, Господь отберёт своих. Контекст никакая нейросеть понять не может.


    1. algotrader2013
      18.11.2019 13:24
      #20898012

      Я бы оценивал реакцию на посты человека. Если вежливые посты одного человека раз за разом вызывают шквал гнева и оскорблений от незамеченных за этим ранее людей, то что-то с этим человеком явно не так.


  1. tuxi
    17.11.2019 19:35
    #20896098

    Не замучается ли нейросеть оценивать уровень негатива или сарказма, провоцирующие последующий флейм и оскорбления?

    Да нет, наверное.
    Ноги в руки и вперёд! Или барабан на шею и с песнями!
    Базара нет.
    Ну и классика
    Косил косой косой косой


    1. OLZ1
      18.11.2019 08:46
      #20897088

      Ещё ёкарный бабай:)


  1. aol-nnov
    17.11.2019 19:36
    #20896104
    -1

    Пока вы тут фантазируете, мы там уже применяем!

    www.linux.org.ru/forum/development/15041564 и www.linux.org.ru/forum/talks/15075051 отакшта!


    1. Zoolander
      18.11.2019 06:26
      #20896942

      а вы можете написать статью, как это сделано?


      1. aol-nnov
        18.11.2019 06:39
        #20896952

        Я не автор той штуки, я лишь подопытный, да и не сильно разумею в нейросетках… По ссылкам на лор есть возможность найти автора и его проект на гитхабе )


  1. Zoolander
    18.11.2019 06:17
    #20896936

    Я не понял из статьи, кроме удаления символов у вас есть еще обработка? К примеру, препроцессор, удаляющий служебные части речи, и нормализатор, который сбрасывает все остальные слова в одну форму (1 падеж, 1 число, 1 род)?

    Если нет, то такой препроцессор и нормализатор должны по идее еще повысить точность, запускать их надо на всех наборах комментариев — и тестовых, и боевых — до скармливания нейронке


  1. tmteam
    18.11.2019 13:10
    #20897978

    14к примеров при 30к столбцов-признаков это очень мало. Вы пробовали поиграться с размерностью токенизации?


  1. Samouvazhektra
    18.11.2019 15:36
    #20898590

    А что за датасет? Какой-то публичный, или сами собирали?


  1. IGR2014
    18.11.2019 15:44
    #20898630

    Всё это конечно хорошо, но половина предложений из примера на вашем скрине в зависимости от контекста может быть как токсичными, так и вполне нормальными выражениями. Удаётся ли распознавать «токсичность» в отличии от контекста?
    Первое что банально приходит на ум в качестве примера — собака женского пола одним небезызвестным словом. Боюсь, у вас однозначно будет распознаваться ругательством, что доставит неприятности, скажем, какому-нибудь форуму собаководов)


  1. pythonchik
    18.11.2019 15:48
    #20898644

    Просто полносвязными сетями анализировать — для тренировки еще сойдет. Но в этом случае мы ориентируемся только на наличие — отсутствие слов.
    Следующий шаг — поиграйтесь со стеммингом как минимум. И вперед, к LSTM и RNN/


  1. QuickJoey
    18.11.2019 15:51
    #20898666
    -1

    Подключаем её к блоку комментариев, чтобы hate_level выводился в процессе написания комментария. Люди стараются обмануть сеть, хейтерские комментарии скармливаются обратно в обучение сетки.


  1. Elemir
    18.11.2019 22:02
    #20900042

    А где вы брали датасет?


  1. NeocortexLab
    21.11.2019 18:38
    #20913786

    Нейросеть себе передёрни, Canis lupus!