【NLP】多标签分类【下】

简介

在《【NLP】多标签分类》系列的上一篇文章中，我们深入探讨了三种机器学习方法：Binary Relevance (BR)、Classifier Chains (CC) 以及 Label Powerset (LP)，旨在解决多标签分类的挑战。这些方法各展所长，为我们提供了不同角度解析和处理多标签问题的视角。继先前对这些机器学习方法的详尽分析之后，本篇文章转向更为先进的解决策略——专注于序列生成方法，并以Transformer模型的一种变体，即T5预训练模型为核心，进行实验探索。

本文将不仅详细介绍如何利用T5模型对多标签分类任务进行微调，而且还将通过实验对比，展现其相较于之前讨论的传统方法在性能上的优势和潜在应用价值。通过精心设计的实验和深入的结果分析，揭示序列生成方法特别是Transformer架构的强大能力和灵活性。

个人博客与相关链接

本文相关代码和数据集已同步上传github: issey_Kaggle/MultiLabelClassification at main · iceissey/issey_Kaggle (github.com)

本文代码（Notebook）已公布至kaggle: Transformer-Multi-Label-Classification (kaggle.com)

博主个人博客链接：issey的博客 - 愿无岁月可回首

1 实验数据与任务说明

数据来源：Multi-Label Classification Dataset (kaggle.com)

任务说明：

• 背景：NLP——多标签分类数据集。
• 内容：该数据集包含6个不同的标签（计算机科学、物理学、数学、统计学、定量生物学、定量金融），用于根据摘要和标题对研究论文进行分类。 标签列中的值1表示该标签属于该论文，每篇论文可以有多个标签为1。

2 模型介绍

2.1 Transformer

Transformer模型自从2017年由Vaswani等人在论文《Attention Is All You Need》中首次提出以来，已经证明了其在多种自然语言处理任务上的强大能力。尽管本文不会深入讲解Transformer的详细架构及其组成模块，我们仍然强烈推荐感兴趣的读者参考原始论文以获得全面的理解。

Transformer能做什么？

Transformer的创新之处在于其独特的自注意力机制，使其能够在处理文本时更有效地捕捉长距离依赖关系。这一特性不仅提高了处理速度，还提升了模型对文本的理解深度，打开了自然语言处理领域的新篇章。以下是Transformer在NLP领域的一些关键应用：

• 文本分类：Transformer能够理解复杂的文本结构和语义，使其在文本分类任务上表现优异，包括情感分析、主题识别等。
• 机器翻译：由于其强大的语言模型能力，Transformer模型已成为机器翻译领域的主导技术，提供了更加流畅和准确的翻译结果。
• 文本摘要：Transformer模型能够理解和提取文本的关键信息，生成准确且连贯的摘要，无论是抽取式还是生成式摘要。
• 问答系统：利用其深度理解能力，Transformer能够从大量文本中提取答案，为问答系统提供强有力的支持。
• 语言生成：Transformer的变体，如GPT系列，已经展示了在生成文本、编写代码等任务上的卓越能力，推动了创造性文本生成和自动编程的新发展。

2.2 Hugging Face

在深入探讨如何将Transformer模型应用于多标签分类任务之前，让我们先了解一下Hugging Face。作为一个致力于推进机器学习技术民主化的开源社区和公司，Hugging Face为研究者和开发者们提供了丰富的预训练模型库及相关工具，极大地简化了NLP任务的开发流程。

官网链接：Hugging Face – The AI community building the future.

Hugging Face的Transformers库

作为一个广泛使用的Python库，Hugging Face的Transformers库集合了数百种预训练的Transformer模型，支持轻松应用于文本分类、文本生成、问答等多种NLP任务。该库的一个主要优势是其提供了统一的接口，让不同的Transformer模型，比如BERT、GPT-2、RoBERTa等，在几乎不需修改代码的情况下就能互相替换使用。

社区支持和资源

Hugging Face不仅提供预训练模型，还维护着一个充满活力的社区，社区成员在此分享经验、解决方案及最佳实践。这样的平台为初学者和专家提供了交流与学习的机会，进一步推动了NLP领域的发展。更进一步，Hugging Face也提供了模型共享平台，允许研究者和开发者上传及分享自己训练的模型，进一步增强了社区资源。

预训练模型的应用

对于多标签分类任务而言，Hugging Face的Transformers库开辟了一个既简单又强大的途径，以便利用最先进的模型。用户可根据自身任务需求选择合适的预训练模型，并通过微调（fine-tuning）的方式使其适应具体的多标签分类任务，从而大幅度降低了模型开发和训练的时间及资源消耗。在接下来的部分中，我们会详细展示这一过程的实现，包括模型的选择、数据准备、训练以及性能评估等关键步骤。

2.3 T5模型（Text-To-Text Transfer Transformer）

本节将介绍我们在本次实验中使用的预训练模型T5，全称为Text-To-Text Transfer Transformer。T5模型以其创新性著称，其设计理念是将所有自然语言处理（NLP）任务转化为一个统一的文本到文本的格式。这种独特的通用性使得T5成为解决多标签分类等复杂任务的理想选择。

T5的核心理念

T5模型的设计核心在于将各种NLP任务统一到一个简单的框架中：接受文本输入并产生文本输出。这意味着无论是进行文本分类、翻译，还是处理更为复杂的多标签分类和问答任务，T5模型都以相同的方法处理，极大地提升了模型的灵活性和适用范围。

T5的架构和训练方法

T5遵循了经典的Encoder-Decoder架构，但在训练策略上进行了创新。它首先在大量文本数据上进行预训练，掌握语言的广泛知识，然后在特定任务的数据集上进行微调（fine-tuning）。这种结合预训练和微调的方法使T5在许多NLP任务上取得了卓越的表现。

T5在多标签分类任务中的运用

在多标签分类任务中，T5模型将任务视为一个文本到文本的转换问题：它将文章内容作为输入，并输出一系列的标签作为分类结果。这种方法简化了任务的处理流程，并允许T5利用其预训练阶段学到的丰富语言知识，以提升任务的处理效率和分类准确性。

3 实验步骤

本实验的主要步骤包括：1）数据预处理。2）模型训练与测试。3）结果转化与评估。

3.1 数据预处理

正如前一节所述，T5模型以序列生成的形式处理任务，即接收文本输入并产生文本输出。因此，我们需要将原始数据转换成符合这一格式的形式，以便模型能够有效处理。以下是我们的原始数据格式示例：

为了将这些数据转换为适合序列生成任务的格式，我们需要将标签（即标记为1的类别）转化为一串文本标签，如下所示：

示例：

注意：标签之间可以使用其他符号进行隔开，本例中使用的是分号（;）。我们的目标是将标记为1的标签拼接成一条文本数据，以便模型可以将这些标签作为生成任务的一部分来处理。

3.2 模型训练与测试

模型选择

模型名称：T5-Small

模型链接：google-t5/t5-small · Hugging Face

参数设置

batch_size = 16
epochs = 5
learning_rate = 2e-5

3.3 结果转化与评估

在使用T5模型完成多标签分类任务后，我们会得到模型生成的文本序列作为输出。这些输出序列以文本形式列出了预测的标签，例如：

为了对模型的性能进行评估，并使用我们在上篇文章中介绍的多标签分类评估方法，必须先将这些文本格式的标签转换回原始数据的格式，即将每个标签对应到它们各自的分类列上，并用0或1表示其是否被预测为该类。转换后的格式如下所示：

在这个转换过程中，我们首先将每个预测的标签字符串分割为单独的标签（在本例中，我们使用分号";"作为分隔符）。然后，我们检查每个原始标签列，并将其与分割后的标签进行匹配，如果预测中包含某个标签，则在相应的列中标记为1；如果不包含，则标记为0。这样，我们就能得到一个与原始数据格式相匹配的矩阵，便于我们采用上篇文章中介绍的评估方法来量化模型的性能。

4 代码与实验

该部分强烈建议搭配Kaggle使用，见"相关链接"部分。（如果觉得有帮助，可以顺便在Kaggle点个赞谢谢）

4.1 数据预处理

将原始的多标签分类数据集转换为适用于T5模型的格式。具体来说，我们将文章的标题和摘要合并为一个单独的文本输入，并将标记为1的多个标签合并为一个分号分隔的标签字符串。最终，这一预处理步骤将生成一个清晰的文本到文本格式，为T5模型的训练做好准备。

DataPreprocessing.py

import pandas as pd

"""准备数据"""
input_csv = "../../../archive/train.csv"
data = pd.read_csv(input_csv)
print(len(data))
label_columns = data.columns[-6:]  # 提取labels列
print(label_columns)

data['text'] = data['TITLE'] + " " + data['ABSTRACT']  # 准备text
print(data['text'].head())

data['labels'] = data[label_columns].apply(lambda x: '; '.join(x.index[x == 1]), axis=1)
print(data['labels'])
# Displaying the updated dataset
preprocessed_data = data[['text', 'labels']]
print(preprocessed_data.head())

# 存储为新的 CSV 文件
output_path = "../../../archive/preprocessed_data.csv"
preprocessed_data.to_csv(output_path, index=False)

4.2 模型训练与预测

本次仍然使用了Pytorch以及Pytorch lightning作为实验框架，关于Pytorch lightning的使用方法请自行查阅官网。

Pytorch lightning： Welcome to ⚡ PyTorch Lightning — PyTorch Lightning 2.2.1 documentation

该部分对应文件名：Transformer.py

自定义批处理函数

def collate_fn(batch):
    """
    自定义批处理函数
    """
    texts = [item['text'] for item in batch]
    labels = [item['labels'] for item in batch]
    # 使用 tokenizer 对文本和标签进行编码,最大长度512
    encoding = tokenizer(texts, padding=True, truncation=True, max_length=512, return_tensors="pt")
    # 使用 tokenizer 的 target_tokenizer 对标签进行编码
    with tokenizer.as_target_tokenizer():
        labels_encoding = tokenizer(labels, padding=True, truncation=True, max_length=512, return_tensors="pt")
    # 将标签中的 pad token 替换为 -100，这是 T5 模型的要求
    labels_encoding["input_ids"][labels_encoding["input_ids"] == tokenizer.pad_token_id] = -100

    return {
        'input_ids': encoding['input_ids'],
        'attention_mask': encoding['attention_mask'],
        'labels': labels_encoding['input_ids']
    }

自定义Dataset

class T5Dataset(Dataset):
    """自定义数据集"""

    def __init__(self, dataset):
        self.dataset = dataset

    def __getitem__(self, idx):
        item = self.dataset[idx]
        return {
            'text': item['text'],
            'labels': item['labels']
        }

    def __len__(self):
        return len(self.dataset)

自定义LightningModule

class T5FineTuner(pl.LightningModule):
    """自定义LightningModule"""

    def __init__(self, train_dataset, val_dataset, test_dataset, learning_rate=2e-5):
        super(T5FineTuner, self).__init__()
        self.validation_loss = []
        self.model = T5ForConditionalGeneration.from_pretrained('t5-small')
        self.learning_rate = learning_rate  # 微调
        self.train_dataset = train_dataset
        self.val_dataset = val_dataset
        self.test_dataset = test_dataset
        self.prediction = []

    def forward(self, input_ids, attention_mask, labels=None):
        output = self.model(input_ids=input_ids,
                            attention_mask=attention_mask,
                            labels=labels)
        return output

    def configure_optimizers(self):
        return AdamW(self.model.parameters(), lr=self.learning_rate)

    def train_dataloader(self):
        train_loader = DataLoader(dataset=self.train_dataset, batch_size=batch_size, collate_fn=collate_fn,
                                  shuffle=True)
        return train_loader

    def val_dataloader(self):
        val_loader = DataLoader(dataset=self.val_dataset, batch_size=batch_size, collate_fn=collate_fn,
                                shuffle=False)
        return val_loader

    def test_dataloader(self):
        test_loader = DataLoader(dataset=self.test_dataset, batch_size=batch_size, collate_fn=collate_fn,
                                 shuffle=False)
        return test_loader

    def training_step(self, batch, batch_idx):
        input_ids = batch['input_ids']
        attention_mask = batch['attention_mask']
        labels = batch['labels']
        output = self(input_ids, attention_mask, labels)
        loss = output.loss
        self.log('train_loss', loss, prog_bar=True, logger=True, on_step=True, on_epoch=True)  # 将loss输出在控制台
        return loss

    def validation_step(self, batch, batch_idx):
        input_ids = batch['input_ids']
        attention_mask = batch['attention_mask']
        labels = batch['labels']
        output = self(input_ids, attention_mask, labels)
        loss = output.loss
        self.log('val_loss', loss, prog_bar=False, logger=True, on_step=True, on_epoch=True)
        return loss

    def test_step(self, batch, batch_idx):
        input_ids = batch['input_ids']
        attention_mask = batch['attention_mask']
        self.model.eval()
        # 生成输出序列
        generated_ids = self.model.generate(input_ids=input_ids, attention_mask=attention_mask)
        # 将生成的token ids转换为文本
        generated_texts = [tokenizer.decode(generated_id, skip_special_tokens=True, clean_up_tokenization_spaces=True)
                           for generated_id in generated_ids]
        # 返回解码后的文本
        # print(generated_texts)
        self.prediction.extend(generated_texts)

训练与预测函数

def test(model, fast_run):
    trainer = pl.Trainer(fast_dev_run=fast_run)
    trainer.test(model)
    test_result = model.prediction
    # print(type(test_result))
    for text in test_result[:10]:
        print(text)
    return test_result


def train(fast_run):
    # 增加回调最优模型
    checkpoint_callback = ModelCheckpoint(
        monitor='val_loss',  # 监控对象为'val_loss'
        dirpath='../../archive/log/T5FineTuner_checkpoints',  # 保存模型的路径
        filename='Models-{epoch:02d}-{val_loss:.2f}',  # 最优模型的名称
        save_top_k=1,  # 只保存最好的那个
        mode='min'  # 当监控对象指标最小时
    )
    # 设置日志保存的路径
    log_dir = "../../archive/log"
    logger = TensorBoardLogger(save_dir=log_dir, name="T5FineTuner_logs")
    # Trainer可以帮助调试，比如快速运行、只使用一小部分数据进行测试、完整性检查等，
    # 详情请见官方文档https://lightning.ai/docs/pytorch/latest/debug/debugging_basic.html
    # auto自适应gpu数量
    trainer = pl.Trainer(max_epochs=epochs, log_every_n_steps=10, accelerator='gpu', devices="auto", fast_dev_run=fast_run,
                         callbacks=[checkpoint_callback], logger=logger)
    model = T5FineTuner(train_dataset, valid_dataset, test_dataset, learning_rate)
    trainer.fit(model)
    return model

保存结果以及任务启动

当在Kaggle上进行操作时，请注意，直接使用load_dataset函数从CSV文件加载数据集可能会导致错误。为了避免这个问题，推荐先使用pandas库将CSV文件读入为DataFrame，之后再将其转换为适合模型训练的格式。具体的代码实现和操作可以参考Kaggle笔记本中的相关部分。

def save_to_csv(test_dataset, predictions, filename="../../archive/test_predictions.csv"):
    with open(filename, mode='w', newline='', encoding='utf-8') as file:
        writer = csv.writer(file)
        writer.writerow(['text', 'true_labels', 'pred_labels'])

        for item, pred_label in zip(test_dataset, predictions):
            text = item['text']
            true_labels = item['labels']
            writer.writerow([text, true_labels, pred_label])


if __name__ == '__main__':
    data = load_dataset('csv', data_files={'train': '../../archive/preprocessed_data.csv'})["train"]
    # 分割数据集为训练集和测试+验证集
    train_testvalid = data.train_test_split(test_size=0.3, seed=42)
    # 分割测试+验证集为测试集和验证集
    test_valid = train_testvalid['test'].train_test_split(test_size=0.5, seed=42)
    # 现在我们有了训练集、验证集和测试集
    train_dataset = train_testvalid['train']
    valid_dataset = test_valid['train']
    test_dataset = test_valid['test']
    # 打印各个数据集的大小
    print("Training set size:", len(train_dataset))
    print("Validation set size:", len(valid_dataset))
    print("Test set size:", len(test_dataset))
    # 准备Dataset
    train_dataset = T5Dataset(train_dataset)
    valid_dataset = T5Dataset(valid_dataset)
    test_dataset = T5Dataset(test_dataset)
    # print(train_dataset.__len__())
    # print(train_dataset[0])

    # 初始化分词器
    tokenizer = T5Tokenizer.from_pretrained('t5-small')
    # 装载dataLoader
    train_dataloader = DataLoader(dataset=train_dataset, batch_size=batch_size,
                                  collate_fn=collate_fn, shuffle=True, drop_last=True)
    # 查看装载情况
    for i, batch in enumerate(train_dataloader):
        print(f"Batch {i + 1}")
        print("Input IDs:", batch['input_ids'])
        print("Input IDs shape:", batch['input_ids'].shape)
        print("Attention Mask:", batch['attention_mask'])
        print("Attention Mask shape:", batch['attention_mask'].shape)
        print("Labels:", batch['labels'])
        print("\n")
        if i == 0:
            break

    fast_run = True
    model = train(fast_run)
    # model = T5FineTuner.load_from_checkpoint(
    #     "../../archive/log/T5FineTuner_checkpoints/model-epoch=09-val_loss=0.32.ckpt",
    #     train_dataset=train_dataset, val_dataset=valid_dataset,
    #     test_dataset=test_dataset)
    pre_texts = test(model, fast_run)
    save_to_csv(test_dataset, pre_texts)

4.3 结果转化与模型评估

Estimate.py

import pandas as pd
from sklearn.preprocessing import MultiLabelBinarizer
from sklearn.metrics import precision_score, recall_score, f1_score, accuracy_score
import numpy as np


def convert_labels(label_str):
    return label_str.split(';') if label_str else []


def clean_label(label):
    return label.strip()


# 读取提供的 CSV 文件
file_path = "../../archive/test_predictions.csv"
data = pd.read_csv(file_path)
# print(data.head())

# 提取并转换真实标签和预测标签
true_labels = [convert_labels(label_str) for label_str in data['true_labels']]
pred_labels = [convert_labels(label_str) for label_str in data['pred_labels']]
# 使用清理后的标签重新创建真实标签和预测标签列表
true_labels_cleaned = [list(map(clean_label, label_list)) for label_list in true_labels]
pred_labels_cleaned = [list(map(clean_label, label_list)) for label_list in pred_labels]


# 使用 MultiLabelBinarizer 对标签进行独热编码
mlb = MultiLabelBinarizer()
mlb.fit(true_labels_cleaned + pred_labels_cleaned)
y_true = mlb.transform(true_labels_cleaned)
y_pred = mlb.transform(pred_labels_cleaned)

print("Transformer(T5) Accuracy =", accuracy_score(y_true, y_pred))
print("Transformer(T5) Precision (micro-average) =", precision_score(y_true, y_pred, average='micro'))
print("Transformer(T5) Recall (micro-average) =", recall_score(y_true, y_pred, average='micro'))
print("Transformer(T5) F1 Score (micro-average) =", f1_score(y_true, y_pred, average='micro'))

print("\nAnother way to calculate accuracy:")
# 计算每一列的准确率
column_accuracies = np.mean(y_true == y_pred, axis=0)
# 为每列准确率添加列名
column_accuracy_with_labels = list(zip(mlb.classes_, column_accuracies))
# 计算列准确率的均值
mean_column_accuracy = np.mean(column_accuracies)

for acc in column_accuracy_with_labels:
    print(acc)
# print(column_accuracy_with_labels)
print("Average accuracy = ", mean_column_accuracy)

5 实验结果

本节汇总并比较了上篇和下篇文章中各种实验的结果。我们采用了几种不同的算法来处理多标签分类问题，包括Binary Relevance（BR）与Random Forest组合、Classifier Chains（CC）与Random Forest组合、Label Powerset（LP）与Random Forest组合、LP与SVM组合，以及使用了Transformer（T5）模型的序列生成方法。

通过对比准确率（Accuracy）、微观精确度（Precision_micro）、微观召回率（Recall_micro）和微观F1分数（F1_micro）这四个关键性能指标，我们发现：

• 使用基于Random Forest的BR、CC和LP方法可以得到相对较好的预测性能。
• 当LP与SVM组合使用时，性能有所提高，特别是在召回率和F1分数方面。
• 最为显著的是，Transformer（T5）模型尤其在准确率、召回率和F1分数上达到了最高值。

具体数值如下所示：

从结果中我们可以得出结论，Transformer模型在处理复杂的多标签分类任务时，展现出了其强大的能力。这也表明了序列到序列模型，在NLP领域的广泛应用潜力和有效性。