Keracorn / geulstagram

📷 글스타그램 데이터셋 만들기

HashTagBot

HashTagBot 소개

2019년 케라스 공개 SW 컨트리뷰톤 프로젝트 중 하나인 케라스 기반 챗봇 만들기에 참가하여 해시태그 기반으로 글을 생성해주는 챗봇을 만들었습니다.

발표자료와 상세 내용은 README.pdf에서 참고하실 수 있습니다.

주요 기능

• 챗봇에 해시태그를 적으면 사전에 수집한 데이터셋에서 랜덤으로 문장들을 뽑아줍니다.
• 뽑힌 문장들은 번역 / 모델 등을 거쳐 새로운 문장으로 변형되어 챗봇의 아웃풋 값으로 반환됩니다.

개발 환경

개발 언어 : python
모델 프레임 워크 : Keras
형태소 분석기 : Konlpy

프로젝트 해시태그 구성원

• Mentee
  • 김우정 [아주대학교 컴퓨터공학과 대학원생 [e-mail]]
  • 배현진 [숙명여자대학교 IT공학전공 재학 [e-mail]]
  • 안영진 [연세대학교 Economics 학부생 [e-mail]]
  • 백승주 [아주대학교 산업공학과 / [e-mail]]
• Mento
  • 김슬기 멘토님

프로젝트 진행 과정

데이터셋 수집

인플루엔서 리스트업 / 인스타 그램 게시글 크롤링 / 이미지 다운 으로 데이터셋을 수집하였습니다.

instagram crawler: https://github.com/huaying/instagram-crawler

1. [게시글 작성자, 게시글 사진(jpg/png), 게시글 본문(string), 해시태그, 게시글 댓글] 정보를 담고 있는 json 파일을 생성
2. 해당 json 이미지 파일을 다운하고 Google Vision API를 사용하여 이미지 별 텍스트 추출
3. 최종 데이터 통합 (인스타그램 crawling 데이터 + 이미지로부터 OCR을 이용해 추출한 글 텍스트)

<USER_ID | CONTENT_ID | CONTENT_IMAGE_ID | Image_Content_txt | Content_txt | Hashtags>

4. 총 데이터 : 32,099, 동일 게시글 병합 : 25,196

• ig_query_parser.py : URL 상에서 유저의 아이디를 뽑아내는 소스코드
• json_image_crawler.py : json의 url을 통해 인스타 게시글 이미지를 다운로드 받는 소스코드
• googleapi.py : OCR을 작동시키는 소스
• _human_parsing : 게시글을 분석하여 json 파일을 만드는 소스코드

데이터 전처리

• 이미지 콘텐츠 내에 해시태그가 걸려 있는 경우가 있어 유저 서명 삭제 처리를 하기 전에 제거해주었습니다.
• 유저가 쓴 글마다 유저의 필명 등이 서명처럼 들어가있습니다. 글의 앞부분이나 뒷부분에서 한 유저당 동일한 어절이 유저당 게시글의 50% 이상일 시 제거 처리해주었습니다. 서명이 두 어절 이상인 경우도 있어, 제거 요소가 나오지 않을 때까지 반복 처리해주었습니다.
• 동일한 해시태그가 모든 글에 반복적으로 등장하는 경우가 잦았습니다. 모든 유저의 해시태그 데이터를 카운트해 빈도수 1회이거나 최다 빈출 3개 이상인 태그는 제거해주었습니다.
• 맞춤법이 틀린 글은 검사하여 수정해주는 작업을 거쳤습니다.
  hanspell: https://github.com/ssut/py-hanspell/blob/master/README.md
  해당 맞춤법 검사기를 이용하여 추출된 이미지 텍스트의 맞춤법을 검사
  맞춤법 검사는 py-hanspell 내부적으로 네이버 맞춤법 검사기를 사용

모델 생성

gpt2 colab https://colab.research.google.com/drive/1VLG8e7YSEwypxU-noRNhsv5dW4NfTGce

Modeling

• RNN, Seq2Seq 자료조사
• GPT-2를 이용한 생성 모델 학습 진행 중

데이터 변형

• Translation (한글 → 다른 나라 언어 → 한글)

• Google Translation API 이용

• translateAPU.py : 입력된 글을 영어로 번역한 뒤 한국어로 다시 번역해주는 코드

• 명사 유의어로 변경하기

  • Word2Vec

• word2vec_train_and_save.py : 사용자의 데이터를 학습해서 Word2Vec 모델로 반환해주는 코드

• word2vec_train_and_save.py : Word2vec 모델을 이용해 받아낸 단어 별 유의어를 문장 내 모든 명사에 적용시켜 문장을 변형해주는 코드

참고 문헌

NLP

• BERT 세미나 자료: https://www.slideshare.net/WonIkCho/1909-bert-whyandhow-code-seminar
• 딥 러닝을 이용한 자연어 처리 입문: https://wikidocs.net/book/2155
• 쉽게 씌어진 Word2Vec: https://dreamgonfly.github.io/machine/learning,/natural/language/processing/2017/08/16/word2vec_explained.html

데이터 수집

• instagram-crawler: https://github.com/huaying/instagram-crawler
• Vision API Tutorial: https://www.evernote.com/l/AZQhDK3EG1dPlYYGM7nz--qf_IpgswSIbQw/

데이터 전처리

• han-spell: https://github.com/ssut/py-hanspell/blob/master/README.md

모델링

• gpt-2: https://github.com/nshepperd/gpt-2
• gpt-2 colab: https://colab.research.google.com/github/ilopezfr/gpt-2/blob/master/gpt-2-playground_.ipynb?fbclid=IwAR21GZFZ2gWHFwZmWss5osQpxDRuZOQsx_RXdvSbBWbyTYBogYru9bRB6qY#scrollTo=_QIdaQn5WkSf

---

Prize

2020 인공지능 데이터셋 경진대회 인스타갬성터짐 팀, 3등 수상
주관 : 셀렉트스타