-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtrain_predict_tonality.py
140 lines (96 loc) · 5.55 KB
/
train_predict_tonality.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
import pandas as pd
import numpy as np
import fasttext
from sklearn.metrics import precision_recall_fscore_support, classification_report
from sklearn.model_selection import StratifiedShuffleSplit
import re
from gensim.utils import simple_preprocess
import warnings
warnings.filterwarnings("ignore")
from utils import extract_tag, join_words, process_tonality
pd.options.display.max_colwidth = 1000
# Загружаем данные
df_headline = pd.read_csv('comm_3650.csv',sep=';')
df_headline = df_headline.dropna(subset=['id'])
df_headline = df_headline[df_headline['published_at_author'] >= '2017-01-01']
df_headline = df_headline[df_headline['tags'] != '[]']
df_headline.drop(['text', 'published_at'], axis=1, inplace=True)
df_headline.rename(columns={
'author':'Автор',
'company_uuid':'Номер филиала',
'id':'ID отзыва',
'provider_id':'ID платформы',
'published_at_author':'Дата публикации отзыва',
'rating':'Оценка',
'text_author':'Текст отзыва',
'reply':'Ответ',
'text_tonality':'Тональность отзыва',
'tags':'Теги'}, inplace=True)
tonality_map = {'pos' : 1, 'neg' : 3, 'neu' : 2}
df_headline['Тональность отзыва'] = df_headline['Тональность отзыва'].map(tonality_map)
X_processed = process_tonality(df_headline)
X_processed = X_processed.dropna(subset=['Тональность отзыва', 'text_processed'])
X_processed = X_processed.drop_duplicates(subset=['Тональность отзыва', 'text_processed'])
X_processed = X_processed[X_processed['text_processed'].notnull()]
# стратификация по дате
X = X_processed[['text_processed', 'Тональность отзыва', 'Дата публикации отзыва', 'Оценка']]
# TODO: убирать, где оценка не матчится с тональностью
X = X[((X['Тональность отзыва'] == 'neg') & (X['Оценка'] < 3)) | ((X['Тональность отзыва'] == 'pos') & (X['Оценка'] > 3)) ]
split_date = '2024-01-20'
target_col = 'Тональность отзыва'
X_train = X[X['Дата публикации отзыва'] < split_date]['text_processed']
y_train = X[X['Дата публикации отзыва'] < split_date][target_col]
X_test = X[X['Дата публикации отзыва'] >= split_date]['text_processed']
y_test = X[X['Дата публикации отзыва'] >= split_date][target_col]
# TODO: print len test
# отложить честный test
# стратификация
# X = df_headline['Текст отзыва']
# y = df_headline['Тональность отзыва']
# sss = StratifiedShuffleSplit(n_splits=5, test_size=0.25, random_state=0)
# for i, (train_index, test_index) in enumerate(sss.split(X, y)):
# # print(f"Fold {i}:")
# # print(f" Train: index={train_index}")
# # print(f" Test: index={test_index}")
# X_train, X_test = X.iloc[train_index], X.iloc[test_index]
# y_train, y_test = y.iloc[train_index], y.iloc[test_index]
# print(f'train size: {len(X_train)}, {len(y_train)}')
# print(f'test size: {len(X_test)}, {len(y_test)}')
# with open("test_index_tonality.txt", 'w') as output:
# for row in list(X_test.index):
# output.write(str(row) + '\n')
generated_data = pd.read_csv('generated_tonality.csv')
generated_data = process_tonality(generated_data)
# generated_data = generated_data[generated_data['Теги'] != 'очередь']
# Я ТУТ
X_train = pd.concat([X_train, generated_data['text_processed']], axis=0)
y_train = pd.concat([y_train, generated_data['Тональность отзыва']], axis=0)
intersection_text= list(set(X_train.to_list()).intersection(set(X_test.to_list())))
print(len(intersection_text))
dual_train_idx = []
dual_test_idx = []
for i in intersection_text:
X_train_idx = X_train[X_train == i].index[0]
dual_train_idx.append(X_train_idx)
X_test_idx = X_test[X_test == i].index[0]
dual_test_idx.append(X_test_idx)
X_train = X_train.loc[~X_train.index.isin(dual_train_idx)]
y_train = y_train.loc[~y_train.index.isin(dual_train_idx)]
X_test = X_test.loc[~X_test.index.isin(dual_test_idx)]
y_test = y_test.loc[~y_test.index.isin(dual_test_idx)]
intersection_text= list(set(X_train.to_list()).intersection(set(X_test.to_list())))
print(len(intersection_text))
# TODO: assert
# Создадим текстовые файля для обучения модели с лейблом и текстом
with open('train_tonality.txt', 'w') as f:
for each_text, each_label in zip(X_train, y_train):
f.writelines(f'__label__{each_label} {each_text}\n')
# модель
model1 = fasttext.train_supervised('train_tonality.txt', epoch=500, lr=1.0, wordNgrams =2)
model1.save_model("models/tonality_model_july.bin")
print('model saved')
s = "при оформлении кредита пытались впарить дополнительную страховку то есть еще одну страховки итого договор не подписал на следующий день деньги за нее все равно списали по горячей линии подтвердили что услуга не обязательна но разбираются ситуации уже месяц даже если вы не подписали договор сотрудники ради премии все равно без вашего ведома впарят вам то что им нужно"
print('SINGLE PREDICT')
print(s)
labels = model1.predict(s, k = 2)
print(labels)