为什么我使用LSTM和预训练的word2vec的准确性很低？

Question

我正在研究仅具有两个类别0（负面）和1（正面）的评论分类模型。我正在使用来自LSTM的Google训练有素的word2vec。问题是我得到了大约50％的精度，而根据本文，它应该在83％左右。我尝试了许多不同的超参数组合，但仍然获得了惊人的准确性。我还尝试了更改数据预处理技术并尝试了阻止，但是它并没有解决问题

这是我的代码

X, y = read_data()
X = np.array(clean_text(X)) #apply data preprocessing  
tokenizer = Tokenizer()
tokenizer.fit_on_texts(X)

#converts text to sequence and add padding zeros
sequence = tokenizer.texts_to_sequences(X)
X_data = pad_sequences(sequence, maxlen = length, padding = 'post')

X_train, X_val, y_train, y_val = train_test_split(X_data, y, test_size = 0.2)

#Load the word2vec model
word2vec = KeyedVectors.load_word2vec_format(EMBEDDING_FILE, binary=True)

word_index = tokenizer.word_index
nb_words = min(MAX_NB_WORDS, len(word_index))+1

embedding_matrix = np.zeros((nb_words, EMBEDDING_DIM))
null_words = []
for word, i in word_index.items():
    if word in word2vec.wv.vocab:
        embedding_matrix[i] = word2vec.word_vec(word)
    else:
        null_words.append(word)

embedding_layer = Embedding(embedding_matrix.shape[0], # or len(word_index) + 1
                            embedding_matrix.shape[1], # or EMBEDDING_DIM,
                            weights=[embedding_matrix],
                            input_length=701,
                            trainable=False)

model = Sequential()
model.add(embedding_layer)
model.add(LSTM(100))
model.add(Dropout(0.4))
model.add(Dense(2, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(X_train, y_train, batch_size=32, epochs=2, validation_data=(X_val, y_val), workers = -1, verbose=1)

score, acc = model.evaluate(X_val, y_val, batch_size=64)

我还尝试了AdaMax和MSLE损失函数之类的其他优化器，无论我增加多少时间或更改批处理大小，准确性都永远不会提高。如果问题不在于模型和预处理，我会很困惑。谢谢

Answer 1

我注意到的几件事，

为什么拥有trainable=False，它限制了您的模型，因此该模型无法微调嵌入。与使用可训练的嵌入相比，必须使用一组固定的嵌入来学习问题比较困难。因此，请尝试设置trainable=True。

embedding_layer = Embedding(embedding_matrix.shape[0], # or len(word_index) + 1
                            embedding_matrix.shape[1], # or EMBEDDING_DIM,
                            weights=[embedding_matrix],
                            input_length=701,
                            trainable=False)

第二个问题是您正在使用2个具有S型激活和binary_crossentropy的单元。此组合无效。您有两个选择。

model = Sequential()
...
model.add(Dense(2, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

选项1

model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

如果选择此选项，请注意您的标签必须为[sample size, 1]形状。

选项2

model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])