Large Movie Review：IMDb映画レビューコメントの「肯定的／否定的」感情分析用データセット：AI・機械学習のデータセット辞典

データセット「Large Movie Review」について説明。IMDbサイト上での5万件の「テキスト（映画レビューコメント）」＋「ラベル（ポジティブ／ネガティブの感情）」が無料でダウンロードでき、二値分類問題などのディープラーニングや機械学習に利用できる。元データの内容や、TensorFlow、Keras、PyTorchなどにおける利用コードも紹介。

[一色政彦，デジタルアドバンテージ]

連載目次

データセット解説

　Large Movie Review dataset（大規模な映画レビューのデータセット。以下、IMDbデータセット）は、映画レビューコメントが「ポジティブか／ネガティブか」という好悪感情を判別するために使える、感情分析用データセット（＝構造化データセット）である（図1、Andrew Maas氏らが「IMDb：映画レビューサイト」上から抽出し、加工したデータセットである）。

図1　IMDbデータセットの内容例
※データセットの配布元： 「スタンフォード大学のAndrew Maas氏のページ」内の「ACL 2011論文の［Dataset］：Sentiment Analysisページ」にある「Large Movie Review Dataset v1.0（aclImdb_v1.tar.gzファイル）」。

　IMDbデータセットは、主に二値分類（つまり「ポジティブか／ネガティブか」の判別）を目的としたディープラーニング／機械学習の研究や初心者向けチュートリアルで使われている。

　IMDbデータセット全体は、

• 2万5000件の訓練データ用（テキストとラベル）
• 2万5000件のテストデータ用（テキストとラベル）
• 合計5万件

で構成される（※「ラベル」＝正解を示す教師データ）。教師あり学習用に「ポジティブか／ネガティブか」というラベル付けが既に行われている事前処理済みのデータセットとなっている。これ以外にも、オリジナルのデータセットにはデータが含まれているが、詳しくは後述する。

引用のための情報

　このデータセットは、基本的に自由に使用できる（※ライセンスは指定されていない。厳密には、Andrew Maas氏の感情分析用データセットページを参照して確認してほしい。上記のデータセットページによると、ACL 2011の論文を引用すること、具体的には、

• Andrew L. Maas, Raymond E. Daly, Peter T. Pham, Dan Huang, Andrew Y. Ng, and Christopher Potts. (2011). Learning Word Vectors for Sentiment Analysis. The 49th Annual Meeting of the Association for Computational Linguistics (ACL 2011).

といった引用文献の記述が求められている（bib：LaTeX用の参考文献ファイル）。よって、自由に使用できるといっても、CC（Creative Commons）でいう「CC BY 4.0」相当と考えた方がよいだろう。

　IMDbデータセット自体の情報を以下にまとめておく。

• 作成者： Andrew L. Maas, Raymond E. Daly, Peter T. Pham, Dan Huang, Andrew Y. Ng and Christopher Potts
• タイトル： Large Movie Review Dataset (aka. IMDb Review Dataset)
• 公開日： Jun, 2011
• URL： https://ai.stanford.edu/~amaas/data/sentiment/配下の、
  • Large Movie Review Dataset v1.0（aclImdb_v1.tar.gz）

利用方法

　実際にIMDbデータセットを使うには、TensorFlow（tf.keras）／KerasやTensorFlow Datasets、PyTorchといった各ライブラリが提供する機能の利用をお勧めする（※なお、scikit-learnにはIMDbデータセットは用意されていなかった）。というのも、配布元の生データを各ライブラリや機械学習モデルが扱えるデータセット形式に自分で加工するのは少し手間だからだ。

配布元のデータファイルについて

　配布元の生データについて、具体的に説明しておこう。Andrew Maas氏の感情分析用データセットページからダウンロードできるclImdb_v1.tar.gzファイル（以下、元データファイル）の中身のフォルダー構成は、

• trainフォルダー： 訓練データ用
  • posフォルダー： ポジティブ感情（1万2500件）
  • negフォルダー： ネガティブ感情（1万2500件）
  • unsupフォルダー： 教師なし学習用データセット（5万件）
• testフォルダー： テストデータ用
  • posフォルダー： ポジティブ感情（1万2500件）
  • negフォルダー： ネガティブ感情（1万2500件）

のようになっている。train／testフォルダーの下にあるpos／negフォルダーが教師あり学習用、trainフォルダーの下にあるunsupフォルダーが教師なし学習用である。各フォルダー内には、1つの映画レビューコメントのテキストが、1つのテキスト（.txt）ファイルに格納される形となっている。つまり、例えばtrain−posフォルダー内には1万2500個のテキストファイルが格納されているということだ。

　そのためライブラリを使わない場合は、個々のテキストファイルを全て読み取り、自分で加工するプログラムを書かなければならない。

　なお、元データファイルには、上記の論文で使われたBoW（Bag-of-Words：単語で構成される文章をベクトル表現で数値化したもの）などが含まれているので、それらを活用したい場合は、ライブラリ機能ではなく、元データファイルからデータを取得するとよい。BoWなどの詳細は、元データファイル内のREADMEファイルに記載されているので、そちらを参照してほしい。

　さて以下では、それぞれのライブラリで「どのようなコードを書くとIMDbデータセットが使えるか」の典型的なコードを簡単に示しておく（※コードの詳細は解説しない）。基本的に各ライブラリは、IMDbデータセットを自動的にダウンロードして使いやすい形にロードしてくれる機能を提供している。

TensorFlow（tf.keras）／Keras

# !pip install tensorflow  # ライブラリ「TensorFlow」をインストール
# !pip install keras  # tf.kerasの場合は不要だが、Kerasを使う場合はライブラリ「Keras」をインストール

from tensorflow.keras.datasets import imdb  # tf.kerasを使う場合（通常）
#from keras.datasets import imdb  # tf.kerasではなく、Kerasを使う必要がある場合はこちらを有効にする

RESERVED = 3       # 「0」〜「2」は予約済みのインデックス（ID）として扱う

(train_data, train_labels), (test_data, test_labels) = imdb.load_data(
    num_words=None,# 上位N個の頻出語のみを対象とする。それより少ない頻出語はoov_charの単語に置き換えて表現される
    skip_top=100,    # 再頻出の上位N個の単語をスキップする（例えばtheやofなどは意味が弱く有益ではない場合があるため）。スキップされた単語はoov_charの単語に置き換えて表現される
    maxlen=None,   # シーケンスの最大長。それより長いシーケンスは切り捨てられる
    start_char=1,  # シーケンスの開始が、この単語／文字でマークされる
    oov_char=2,    # out-of-vocabulary（語彙外の単語）。上記のnum_wordsやskip_topによって削除された単語をこの単語／文字で置き換える
    index_from=RESERVED, # 単語へのインデックス付けが、この値以上になる。パディング用の「0」と、上記のstart_char「1」とoov_char「2」を予約済みとし、それより後の「3以降」からインデックス（ID）を使うということ
    seed=123)      # シャッフル時に使うランダムシード（任意の数値）を指定可能

# 全ての「単語：ID」の辞書を取得する
word_index = imdb.get_word_index()

# 最初の「0」〜「2」のIDは予約済みとなっており、以下の意味になる
word_to_id = {k:(v+RESERVED) for k,v in word_index.items()}
word_to_id["<PADDING>"] = 0  # パディング（余白）
word_to_id["<START>"] = 1    # シーケンスの開始単語（start_charで定義）
word_to_id["<UNKNOWN>"] = 2  # 未知の単語（oov_charで定義）

# 「単語：ID」→「ID：単語」の辞書に変換する
id_to_word = {value:key for key,value in word_to_id.items()}

# テキストを取得する関数を定義
def get_imdb_review(text):
  return ' '.join([id_to_word.get(id, '?') for id in text])

# 上記の関数の使用例
get_imdb_review(train_data[0])
# （実行結果では、訓練データの1番目のテキストが取得される）

リスト1　TensorFlow（tf.keras）／KerasでBoston Housingを利用する基本的なコード

　tf.keras.datasets.imdb.load_data()関数を呼び出せばよい。この関数は高機能なため、引数も多く、またそれに伴う処理も少し必要になる。詳しくは上記関数のリンク先や、Kerasのドキュメント（日本語／英語）などを参照してほしい。

TensorFlow Datasets

# !pip install tensorflow tensorflow-datasets  # ライブラリ「TensorFlow」と「TensorFlow Datasets」をインストール

import tensorflow_datasets as tfds

(imdb_train, imdb_test) = tfds.load(
  name='imdb_reviews', split=['train', 'test']) # 'unsupervised'もある

リスト2　TensorFlow DatasetsでIMDbデータセットを利用する基本的なコード

　TensorFlow Datasetsで使用できるデータセットは、TensorFlow Datasetsにまとめられており、tensorflow_datasetsモジュール（＝tfds）のtfds.load()関数から利用できる。リスト2では「imdb_reviewsデータセット」をロードしている。ロードできるデータには、教師あり学習用の訓練データ（'train'）とテストデータ（'test'）だけでなく、ラベルのない教師なし学習用のデータ（'unsupervised'）もある。

PyTorch

# !pip install torch torchtext  # ライブラリ「PyTorch」をインストール

import torch
from torchtext.data import Field
from torchtext.datasets import IMDB

TEXT = Field(lower=True, include_lengths=True, batch_first=True)
LABEL = Field(sequential=False,)
train_ds, test_ds = IMDB.splits(TEXT, LABEL)

リスト3　PyTorchでIMDbデータセットを利用する基本的なコード

　torchtext.datasets.IMDB.splits()クラスメソッド（もしくはコード例に含めていないがiters()クラスメソッド）を使えばよい。

「AI・機械学習のデータセット辞典」