这个例子是deeplearnling/tutorial/rnnslu.html中的例子。
任务:
The Slot-Filling (Spoken Language Understanding) consists in assigning a label to each word given a sentence. It’s a classification task.
口语理解是为给定的一个句子分配标签。是一个分类问题。
数据集
采用的数据集是ATIS (Airline Travel Information System) dataset,是一个文本的数据分类的数据集,是根据航天公司电话预约时的电话记录,已通过语音处理转成了文字,采用(IOB)的表示方式。
IOB的表示方式:B是表示一个类的开始,I是表示一个类的中间,O是表示空类。如下表示:
Input (words) | show | flights | from | Boston | to | New | York | today |
Output (labels) | O | O | O | B-dept | O | B-arr | I-arr | B-date |
The ATIS offical split contains 4,978/893 sentences for a total of 56,590/9,198 words (average sentence length is 15) in the train/test set. The number of classes (different slots) is 128 including the O label (NULL).
ATIS官方把整个数据集分为训练集/测试集--4978/893个句子,一共有56590/9198单词(平均每一个句子有15个单词)。分为128个类,里面包含了O(空类)。
如果没有出现的词用<UNK>类表示。
对数据分类的准确性用如下三个指标:Precision(精度),Recall(召回率),F1 score 。这个百度一下就知道了,简单地说,这三个都能表示分类准确率,满分是100,其中Precision,Recall有一定互斥性,故F1 score,是最好的。
我们还可以使用conlleval.pl 的PERL程序看出分类后的结果。
如下图:
RNN模型与数据处理
数据表示:每一个单词一开始的代表是一个token,编程表示为一个数字,一句话就是多个数字组成的,这是输入表示,不过不是最终表示,输出对应的一个标签。
上下文窗口:
The index -1
corresponds to the PADDING
index we insert at the beginning/end of the sentence.
从上可以看出,窗口设的越大,数据长度越长。
词向量:
词向量是很有创新性的表示方式,一个单词表示如果用One-hot Representation,如,
“话筒”表示为 [0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 …]
“麦克”表示为 [0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 …]
其中只有一个为1,有很多有缺陷,故有了词向量。把一个词表示成[0.792, −0.177, −0.107, 0.109, −0.542, …]。维度以 50 维和 100 维比较常见。这个词向量不是固定的,也是要经过训练得到的。
RNN要学习的参数:
RNN整个架构设置好的参数:
跑程序