这个例子展示了如何使用深度学习长短期记忆（LSTM）网络对文本数据进行分类。
文本数据是有顺序的。一段文字是一个词的序列，它们之间可能有依赖关系。为了学习和使用长期依赖关系来对序列数据进行分类，可以使用LSTM神经网络。LSTM网络是一种递归神经网络（RNN），可以学习序列数据的时间顺序之间的长期依赖关系。
可下载资源
要向LSTM网络输入文本，首先要将文本数据转换成数字序列。你可以使用单词编码来实现这一点，该编码将文件映射为数字指数的序列。为了获得更好的结果，还可以在网络中加入一个词嵌入层。
长短期记忆神经网络（LSTM）是一种特殊的循环神经网络(RNN)。原始的RNN在训练中，随着训练时间的加长以及网络层数的增多，很容易出现梯度爆炸或者梯度消失的问题，导致无法处理较长序列数据，从而无法获取长距离数据的信息。
LSTM应用的领域包括：文本生成、机器翻译、语音识别、生成图像描述和视频标记等。
2009年, 应用LSTM搭建的神经网络模型赢得了ICDAR手写识别比赛冠军。
2015年以来，在机械故障诊断和预测领域，相关学者应用LSTM来处理机械设备的振动信号。
2016年, 谷歌公司应用LSTM来做语音识别和文字翻译，其中Google翻译用的就是一个7-8层的LSTM模型。
2016年, 苹果公司使用LSTM来优化Siri应用。
词汇嵌入将词汇映射为数字向量，而不是标量索引。这些嵌入发现了单词的语义细节，因此具有相似含义的单词具有相似的向量。它们还通过向量算术来模拟单词之间的关系。例如，”罗马之于意大利就像巴黎之于法国 “的关系由方程式意大利-罗马+巴黎=法国来描述。
在这个例子中，训练和使用LSTM网络有四个步骤。
- 导入并预处理数据。
- 使用单词编码将单词转换为数字序列。
- 创建并训练一个带有单词嵌入层的LSTM网络。
- 使用训练好的LSTM网络对新的文本数据进行分类。
导入数据
导入工厂报告数据。该数据包含对工厂事件的标签化文本描述。要把文本数据导入为字符串，指定文本类型为 “字符串”。
head(data)
这个例子的目的是通过类别栏中的标签对事件进行分类。为了将数据划分为类别，将这些标签转换为分类的。
Category = categorical(Category);使用直方图查看数据中的类别分布。
figure
histogram(Category);下一步是将其划分为训练和验证的集合。将数据划分为一个训练分区和一个用于验证和测试的保留分区。指定保留的百分比为20%。
cvp = cv(Category,'Holdout',0.2);从分区的表中提取文本数据和标签。
DataTrain = Description;
DataValidation = Description;为了检查你是否正确地导入了数据，可以用词云来可视化训练文本数据。
wordcloud(DataTrain);
预处理文本数据
创建一个函数，对文本数据进行标记和预处理。列在例子末尾的函数preprocessText，执行这些步骤。
随时关注您喜欢的主题
- 使用tokenizedDocument对文本进行标记。
- 使用lower将文本转换为小写。
- 使用 erasePunctuation 擦除标点符号。
对训练数据和验证数据进行预处理。
Train = preprocessText(DataTrain);查看最初几个预处理的训练文件。
documentsTrain(1:5)
将文件转换为序列
为了将文档输入到LSTM网络中，使用一个单词编码将文档转换为数字指数序列。
创建一个词的编码
下一个转换步骤是对文件进行填充和截断，使它们的长度都相同。
要填充和截断文件，首先要选择一个目标长度，然后截断比它长的文件，左移比它短的文件。为了达到最佳效果，目标长度应该很短，而不会丢弃大量的数据。为了找到一个合适的目标长度，可以查看训练文档长度的直方图。
histogram(documentLengths)大多数的训练文件都少于10个标记。将此作为截断和填充的目标长度。
将文档转换为数字索引序列。要截断或向左填充序列的长度为10，将 “长度 “选项设置为10。
doc2sequence(enc,'Length');
使用相同的选项将验证文件转换为序列。
sequence(Length);创建和训练LSTM网络
定义LSTM网络结构。为了向网络输入序列数据，包括一个序列输入层，并将输入大小设置为1。接下来，包括一个维度为50的词嵌入层，词的数量与词的编码相同。
接下来，包括一个LSTM层，并将隐藏单元的数量设置为80。最后，添加一个与类的数量相同的全连接层，一个softmax层，以及一个分类层。
inputSize = 1;
Dimension = 50;
HiddenUnits = 80;
指定训练选项
- 使用Adam优化器进行训练.
- 指定一个16的小批处理量。
- 每隔一段时间对数据进行随机化。
- 通过设置 “Plots “选项为 “training-progress “来监测训练进度。
- 使用’ValidationData’选项指定验证数据。
- 通过将’Verbose’选项设置为false来抑制输出。
默认情况下，如果有GPU，会使用GPU（需要并行计算工具箱™和支持CUDA®的计算能力3.0以上的GPU）。否则，它将使用CPU。在CPU上训练的时间可能比在GPU上训练的时间长很多。
options('adam', ...
'BatchSize',16, ...
'Shuffle','every-epoch', ...);训练LSTM网络。
使用新数据进行预测
对三个新报告的事件类型进行分类。创建一个包含新报告的字符串数组。
使用预处理步骤对文本数据进行预处理，作为训练文档。
preprocessText(New);将文本数据转换为序列，选项与创建训练序列时相同。
sequence(enc,sequenceLength);使用训练好的LSTM网络对新序列进行分类。
classify(XNew)
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python图注意力神经网络GAT与蛋白质相互作用数据模型构建、可视化及熵直方图分析
MATLAB图卷积神经网络GCN处理分子数据集节点分类研究
Python混合注意力机制-多变量-LSTM神经网络分析PM2.5、光伏电站、温度时间序列数据及RNN、ARIMAX、XGT、随机森林对比
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
