自然语言处理（一）RNN在做语义分析

    这个例子是deeplearnling/tutorial/rnnslu.html中的例子。

1. 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

   

转载于:https://my.oschina.net/peterlie/blog/541631