Tensorflow进行POS词性标注NER实体识别 - 构建LSTM网络进行序列化标注

最新推荐文章于 2024-04-01 10:26:05 发布

rockingdingo

最新推荐文章于 2024-04-01 10:26:05 发布

阅读量1.6w

点赞数 1

分类专栏： tensorflow 文章标签： tensorflow POS NER 词性标注命名实体识别

本文链接：https://blog.csdn.net/rockingdingo/article/details/55653279

版权

tensorflow 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

Github下载完整代码

https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/pos

简介

这篇文章中我们将基于Tensorflow的LSTM模型来实现序列化标注的任务，以NLP中的POS词性标注为例实现一个深度学习的POS Tagger。文中具体介绍如何基于Tensorflow的LSTM cell单元来构建多层LSTM、双向Bi-LSTM模型，以及模型的训练和预测过程。对LSTM模型的基本结构和算法不熟悉的可以参考拓展阅读里的一些资料。完整版代码可以在Github上找到:https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/pos

数据和预处理

我们使用的词性标注POS的训练集来源是url [人民日报1998年的新闻语料]，格式为”充满/v 希望/n 的/u 新/a 世纪/n ——/w 一九九八年/t”。具体的预处理过程包含以下步骤:

读取训练集数据：得到两个列表word和tag，其中word保存分词，Tag保存对应的标签；
构建词典：对词进行Count并且按照出现频率倒叙排列，建立字典表：word_to_id和tag_to_id 保存词和标签的id，未知词的标签即为UNKNOWN = "*"；
分别读取训练集train, dev和test数据集，将数据集的word列表和tag列表分别转化为其对应的id列表。
构建一个迭代器iterator, 每次返回读取batch_size个词和标签的Pair对 (x,y)作为LSTM模型的输入。 x代表词ID的矩阵，y代表标签ID的矩阵，形状均为[batch_size, num_steps]，代表batch_size组长度为num_steps的序列；矩阵中元素代表第x[i,j] 代表第i个batch下第j个词的ID，如“132”(面条)，y[i,j] 为其对应标签的ID，如”3 ”(NN-名词)。
- 模型
  
  图1 LSTM链式展开
  
  图2 LSTM内部结构
  
  LSTM前向传播公式
  
  input 门
  
  ${{i}_{t}}=\sigma ({{W}_{xi}}{{x}_{t}}+{{W}_{hi}}{{h}_{t-1}}+{{W}_{ci}}{{c}_{t-1}}+{{b}_{i}})$
  forget 门
  
  ${{f}_{t}}=\sigma ({{W}_{xf}}{{x}_{t}}+{{W}_{hf}}{{h}_{t-1}}+{{W}_{cf}}{{c}_{t-1}}+{{b}_{f}})$
  cell 状态更新
  
  ${{c}_{t}}={{f}_{t}}\otimes {{c}_{t-1}}+{{i}_{t}}\otimes \tanh ({{W}_{xc}}{{x}_{t}}+{{W}_{hc}}{{h}_{t-1}}+{{b}_{c}})$
  output 门
  
  ${{o}_{t}}=\sigma ({{W}_{xo}}{{x}_{t}}+{{W}_{ho}}{{h}_{t-1}}+{{W}_{co}}{{c}_{t}}+{{b}_{o}})$
  ht 隐藏层更新
  
  ${{h}_{t}}={{o}_{t}}\otimes \tanh ({{c}_{t}})$

实现
1. 定义类和初始化函数init
我们首先定义一个POSTagger类，通过初始化函数init，根据超参数构建tensorflow的一个graph模型。所有LSTM模型的超参数保存在config这个类中，传入init函数。

代码1

class LargeConfigChinese(object):
  """Large config."""
  init_scale = 0.04
  learning_rate = 0.5
  max_grad_norm = 10
  num_layers = 2
  num_steps = 30
  hidden_size = 128
  max_epoch = 5
  max_max_epoch = 55
  keep_prob = 1.0
  lr_decay = 1 / 1.15
  batch_size = 1 # single sample batch
  vocab_size = 50000
  target_num = 44  # POS tagging for Chinese
 
# 定义类和初始化函数init
class POSTagger(object):
  """The pos tagger model"""
 
  def __init__(self, is_training, config):
    self.batch_size = batch_size = config.batch_size
    self.num_steps = num_steps = config.num_steps
    size = config.hidden_size
    vocab_size = config.vocab_size
    target_num = config.target_num # target output number
     
    # define model
    # To Do

Init函数的输入参数config为一个包含超参数的类，具体输入包括：
init_scale: 初始化参数的范围[-init_scale, init_scale]
num_layers: LSTM模型的层数，默认为2层；
hidden_size: LSTM模型每层节点数，默认128；
num_steps: LSTM模型的步长T，代表共计算T个timestep，默认30；
keep_prob: Dropout层留存的概率，为避免过拟合设置, 当数据集小的时候可以设置为1；
vocab_size: 词典的单词个数，默认值50000；
target_num：标签的个数，默认值 44，针对人民日报的标签体系下的44个词性标签；
其他

定义占位符Placeholder
- 在Tensorflow的图模型的Placeholder占位符，每次接受一组训练数据的字典表feed_dict，字典表中包含了我们在上一章节预处理中构建的迭代器iterator，每次返回(x,y)的Pair会被Feed进入占位符中： _input_data 和_targets的形状均为 [batch_size, num_steps]，每个元素为词或者是标签的ID，保存为整数形tf.int32。
  - - 代码2
    - ```
    self._input_data = tf.placeholder(tf.int32, [batch_size, num_steps])
    self._targets = tf.placeholder(tf.int32, [batch_size, num_steps])
```
  - 词向量Word Embedding层
    现在我们将输入到占位符_input_data和_targets的ID数据，转化为对应的词向量。在Tensorflow定义了简单方法：首先随机生成一个embedding矩阵，形状为[vocab_size, size]，即词典大小vocab_size 乘以定义的词向量的维度 size。然后利用tf.nn.embedding_lookup() 方法来查找每个ID对应的向量。这个过程就是将长度为vocab_size的One-Hot输入向量Xi转化为一个固定长度size的词向量。在后向传播过程，词向量也同时得到训练。
  - 代码3
```
    embedding = tf.get_variable("embedding", [vocab_size, size], dtype=data_type())
    inputs = tf.nn.embedding_lookup(embedding, self._input_data)
```
  - LSTM模型
    基本LSTM单元：通过tf.nn.rnn_cell.BasicLSTMCell() 函数构建，size为LSTM的每层节点个数，forget_bias为偏移量，state_is_tuple=True为内部实现的一种结构，在tensorflow 0.10.0 后的版本为了提升计算速度已经建议均设置为TRUE，FALSE版本会被去除掉。
    
    Dropout Wrapper层: 通过tf.nn.rnn_cell.DropoutWrapper() 函数可以在LSTM层加上Dropout避免训练过程的过拟合，通过设置 output_keep_prob 的概率来调节；
    
    多层LSTM的cell单元：通过函数tf.nn.rnn_cell.MultiRNNCell() 构建，层数的参数是config.num_layers，第一层LSTM的输出会作为下一层LSTM的输入，将多层LSTM叠加在一起获得更好的模型Capacity；
  - 代码4-1
```
    lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)
    if is_training and config.keep_prob < 1:
      lstm_cell = tf.nn.rnn_cell.DropoutWrapper(
          lstm_cell, output_keep_prob=config.keep_prob)
    cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * config.num_layers, state_is_tuple=True)
```
  - 双向LSTM模型 Bi-LSTM双向LSTM模型的传播过程与单向LSTM模型稍有区别：
    分别定义两个LSTM基本单元，一个前向的lstm_fw_cell，一个后向的lstm_bw_cell
    基于基本单元分别构建：多层前向LSTM单元cell_fw和多层后向LSTM的单元cell_bw：
    定义两个前向LSTM和后向LSTM的初始状态：initial_state_fw和initial_state_bw
    利用tf.nn.bidirectional_rnn() 函数完成传播过程：具体的两个LSTM分别得到隐含层的状态 hj_forward 和hj_backward，将[hj_forward,hj_backward]合并成为一个长度为2倍隐含层节点数的向量；
    最后返回的参数有：outputs, state_fw, state_bw

图3 双向LSTM结构
- 代码4-2

lstm_fw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)
lstm_bw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)
     
cell_fw = tf.nn.rnn_cell.MultiRNNCell([lstm_fw_cell] * num_layers, state_is_tuple=True)
cell_bw = tf.nn.rnn_cell.MultiRNNCell([lstm_bw_cell] * num_layers, state_is_tuple=True)
 
initial_state_fw = cell_fw.zero_state(batch_size, data_type())
initial_state_bw = cell_bw.zero_state(batch_size, data_type())
 
# Split to get a list of 'n_steps' tensors of shape (batch_size, n_input)
inputs_list = [tf.squeeze(s, squeeze_dims=[1]) for s in tf.split(1, num_steps, inputs)]
 
with tf.variable_scope("pos_bilstm"):
    outputs, state_fw, state_bw = tf.nn.bidirectional_rnn(
        cell_fw, cell_bw, inputs_list, initial_state_fw = initial_state_fw, 
        initial_state_bw = initial_state_bw)

前向传播

LSTM模型每次读取当前步t的输入Xt 和上一步的隐含层的向量h(t-1)，通过LSTM内部结构的一系列计算得到相应的输出。定义前向过程，通过for循环，每次输入一个步t对应的词向量 inputs[:, time_step, :]，是一个3D的Tensor [batch_size, time_step, size] 。其中size为词向量的维度。之后会将每一步的结果添加到outputs这个list中。

最后的全连接层：将output这个向量乘以softmax_w再加上偏移softmax_b，得到输出部分的logits，最后利用tf.nn.sparse_softmax_cross_entropy_with_logits 比较真实值的向量_targets和预测值的向量 logits，计算交叉熵cross-entropy的损失函数loss；

代码5

state = self._initial_state
with tf.variable_scope("pos_lstm"):
  for time_step in range(num_steps):
    if time_step > 0: tf.get_variable_scope().reuse_variables()
    (cell_output, state) = cell(inputs[:, time_step, :], state)
    outputs.append(cell_output)
 
output = tf.reshape(tf.concat(1, outputs), [-1, size])
softmax_w = tf.get_variable(
    "softmax_w", [size, target_num], dtype=data_type())
softmax_b = tf.get_variable("softmax_b", [target_num], dtype=data_type())
logits = tf.matmul(output, softmax_w) + softmax_b
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, tf.reshape(targets, [-1]))

关于损失函数

Tensorflow中定义损失函数有：tf.nn.sparse_softmax_cross_entropy_with_logits() 和 tf.nn.softmax_cross_entropy_with_logits()。另外还有一个函数tf.nn.seq2seq.sequence_loss_by_example()接收参数和sparse_softmax_cross_entropy_with_logits类似。二者输出结果一致，区别在于接收的输入不同：
- 函数tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)
  "sparse_softmax"这个函数输入参数labels表示待拟合的标签，形状为 [batch_size] ，每个值为一个整形数值，int32或者int64, 代表了待预测标签的ID，即每个样本的标签有且仅有一个。
- 函数tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None)
  "softmax" 这个函数输入参数labels形状为[batch_size, num_classes]，每个元素类型为float32或者 float64。每个样本对应的标签向量可以是One-Hot表示，即每个样本只属于一个类别；同时也可以是对应多个标签soft softmax，即每个样本的label不仅限于一个，而是给出符合每个类别的概率分布。这个函数支持一个样本在多个类别下都有分布情况。
模型训练过程定义run_epoch函数：
- fetches：定义需要评估和取出的数值，这里我们要计算取出model.cost, model.final_state 和 eval_op三个参数，其中eval_op 为前向过程中定义的SGD梯度下降的操作符：self._train_op = optimizer.apply_gradients(zip(grads, tvars))
- feed_dict: 将每次迭代器返回的(x,y) Pair对的值，分别赋给input_data和target这两个占位符。
To Do: State[i].c
session.run() 函数每次将feed_dict的数据输入Graph模型，计算后返回fetches列表中定义的几个变量[cost, state, _ ]。_ 代表了评估的operator。

代码6

def run_epoch(session, model, word_data, tag_data, eval_op, verbose=False):
  """Runs the model on the given data."""
  epoch_size = ((len(word_data) // model.batch_size) - 1) // model.num_steps
  start_time = time.time()
  costs = 0.0
  iters = 0
  state = session.run(model.initial_state)
  for step, (x, y) in enumerate(reader.iterator(word_data, tag_data, model.batch_size,
                                                    model.num_steps)):
    fetches = [model.cost, model.final_state, eval_op]
    feed_dict = {}
    feed_dict[model.input_data] = x
    feed_dict[model.targets] = y
    for i, (c, h) in enumerate(model.initial_state):
      feed_dict[c] = state[i].c
      feed_dict[h] = state[i].h
    cost, state, _ = session.run(fetches, feed_dict)
    costs += cost
    iters += model.num_steps
 
    if verbose and step % (epoch_size // 10) == 10:
      print("%.3f perplexity: %.3f speed: %.0f wps" %
            (step * 1.0 / epoch_size, np.exp(costs / iters),
             iters * model.batch_size / (time.time() - start_time)))
     
    # Save Model to CheckPoint when is_training is True
    if model.is_training:
      if step % (epoch_size // 10) == 10:
        checkpoint_path = os.path.join(FLAGS.pos_train_dir, "pos.ckpt")
        model.saver.save(session, checkpoint_path)
        print("Model Saved... at time step " + str(step))
 
  return np.exp(costs / iters)

延伸阅读

深语人工智能-技术博客:
http://www.deepnlp.org/blog/tensorflow-lstm-pos/
Python Package Index - deepnlp: Deep Learning NLP Pipeline implemented on Tensorflow
https://pypi.python.org/pypi/deepnlp

rockingdingo

关注

1
点赞
踩
18

收藏

觉得还不错? 一键收藏
5
评论
Tensorflow进行POS词性标注NER实体识别 - 构建LSTM网络进行序列化标注

这篇文章中我们将基于Tensorflow的LSTM模型来实现序列化标注的任务，以NLP中的POS词性标注为例实现一个深度学习的POS Tagger。文中具体介绍如何基于Tensorflow的LSTM cell单元来构建多层LSTM、双向Bi-LSTM模型，以及模型的训练和预测过程。对LSTM模型的基本结构和算法不熟悉的可以参考拓展阅读里的一些资料。
复制链接

扫一扫