使用google map实现周边搜索的功能_使用BERT和TensorFlow构建搜索引擎

作者 | Denis Antyukhov

来源 | Medium

编辑 | 代码医生团队

基于神经概率语言模型的特征提取器，例如与多种下游NLP任务相关的BERT提取特征。因此它们有时被称为自然语言理解(NLU)模块。

这些特征还可以用于基于实例的学习，其依赖于计算查询与训练样本的相似性。为了证明这一点，将使用BERT特征提取为文本构建最近邻搜索引擎。

这个实验的计划是：

1. 获得预先训练的BERT模型检查点

2. 提取针对推理优化的子图

3. 使用tf.Estimator创建特征提取器

4. 用T-SNE和嵌入式投影仪探索向量空间

5. 实现最近邻搜索引擎

6. 用数学加速最近邻查询

7. 示例：构建电影推荐系统

问题和解答

本指南中包含哪些内容？

本指南包含两个实现：BERT文本特征提取器和最近邻居搜索引擎。

这个指南是谁？

本指南对于有兴趣使用BERT进行自然语言理解任务的研究人员非常有用。它也可以作为与tf.Estimator API接口的工作示例。

需要做些什么？

对于熟悉TensorFlow的读者来说，完成本指南大约需要30分钟。

相关代码

这个实验的代码可以在Colab中找到。另外，查看为BERT实验设置的存储库：它包含奖励内容。

https://colab.research.google.com/drive/1ra7zPFnB2nWtoAc0U5bLp0rWuPWb6vu4

https://github.com/gaphex/bert_experimental

第1步：获得预先训练的模型

从预先训练的BERT检查点开始。出于演示目的，将使用由Google工程师预先训练的无框架英语模型。

为了配置和优化图形以进行推理，将使用令人敬畏的bert-as-a-service存储库。此存储库允许通过TCP为远程客户端提供BERT模型。

拥有远程BERT服务器在多主机环境中是有益的。但是在实验的这一部分中，将专注于创建一个本地 (进程中)特征提取器。如果希望避免客户端 - 服务器体系结构引入的额外延迟和潜在故障模式，这将非常有用。

现在下载模型并安装包。

!wget https://storage.googleapis.com/bert_models/2019_05_30/wwm_uncased_L-24_H-1024_A-16.zip!unzip wwm_uncased_L-24_H-1024_A-16.zip!pip install bert-serving-server --no-deps

第2步：优化推理图

通常要修改模型图，必须进行一些低级TensorFlow编程。但是由于bert-as-a-service，可以使用简单的CLI界面配置推理图。

import osimport tensorflow as tf from bert_serving.server.graph import optimize_graphfrom bert_serving.server.helper import get_args_parser  MODEL_DIR = '/content/wwm_uncased_L-24_H-1024_A-16/' #@param {type:"string"}GRAPH_DIR = '/content/graph/' #@param {type:"string"}GRAPH_OUT = 'extractor.pbtxt' #@param {type:"string"}GPU_MFRAC = 0.2 #@param {type:"string"} POOL_STRAT = 'REDUCE_MEAN' #@param {type:"string"}POOL_LAYER = "-2" #@param {type:"string"}SEQ_LEN = "64" #@param {type:"string"} tf.gfile.MkDir(GRAPH_DIR) parser = get_args_parser()carg = parser.parse_args(args=['-model_dir', MODEL_DIR,                               "-graph_tmp_dir", GRAPH_DIR,                               '-max_seq_len', str(SEQ_LEN),                               '-pooling_layer', str(POOL_LAYER),                               '-pooling_strategy', POOL_STRAT,                               '-gpu_memory_fraction', str(GPU_MFRAC)]) tmpfi_name, config = optimize_graph(carg)graph_fout = os.path.join(GRAPH_DIR, GRAPH_OUT) tf.gfile.Rename(    tmpfi_name,    graph_fout,    overwrite=True)print("Serialized graph to {}".format(graph_fout))

有几个参数需要注意。

对于每个文本样本，BERT编码层输出一个形状的张量[ sequence_len，encoder_dim ]，每个标记有一个向量。如果要获得固定的表示，需要应用某种池。

POOL_STRAT参数定义应用于编码层编号POOL_LAYER的池策略。默认值' REDUCE_MEAN '平均序列中所有标记的向量。当模型未经过微调时，此策略最适用于大多数句子级别的任务。另一个选项是NONE，在这种情况下根本不应用池。这对于命名实体识别或POS标记等单词级任务非常有用。有关这些选项的详细讨论，请查看韩晓的博文。

https://hanxiao.github.io/2019/01/02/Serving-Google-BERT-in-Production-using-Tensorflow-and-ZeroMQ/

SEQ_LEN影响模型处理的序列的最大长度。较小的值将几乎线性地增加模型推理速度。

运行上述命令将把模型图和权重成GraphDef将被序列化到一个对象pbtxt在文件GRAPH_OUT。该文件通常小于预先训练的模型，因为将删除训练所需的节点和变量。这导致了一个非常便携的解决方案：例如序列化后英语模型只需要380 MB。

第3步：创建特征提取器

现在将使用序列化图形来使用tf.Estimator API构建特征提取器。需要定义两件事：input_fn和model_fn

input_fn管理将数据导入模型。这包括执行整个文本预处理管道和为BERT 准备feed_dict。

首先，将每个文本样本转换为包含INPUT_NAMES 中列出的必要功能的tf.Example实例。该bert_tokenizer对象包含WordPiece词汇和执行文本预处理。之后，示例将按照feed_dict中的功能名称进行重新分组。

INPUT_NAMES = ['input_ids', 'input_mask', 'input_type_ids']bert_tokenizer = FullTokenizer(VOCAB_PATH) def build_feed_dict(texts):        text_features = list(convert_lst_to_features(        texts, SEQ_LEN, SEQ_LEN,         bert_tokenizer, log, False, False))     target_shape = (len(texts), -1)     feed_dict = {}    for iname in INPUT_NAMES:        features_i = np.array([getattr(f, iname) for f in text_features])        features_i = features_i.reshape(target_shape)        features_i = features_i.astype("int32")        feed_dict[iname] = features_i     return feed_dict

tf.Estimators有一个有趣的功能，可以在每次调用预测函数时重建并重新初始化整个计算图。因此，为了避免开销，将生成器传递给预测函数，并且生成器将在永无止境的循环中为模型生成特征。

def build_input_fn(container):        def gen():        while True:          try:            yield build_feed_dict(container.get())          except StopIteration:            yield build_feed_dict(container.get())     def input_fn():        return tf.data.Dataset.from_generator(            gen,            output_types={iname: tf.int32 for iname in INPUT_NAMES},            output_shapes={iname: (None, None) for iname in INPUT_NAMES})    return input_fn class DataContainer:  def __init__(self):    self._texts = None    def set(self, texts):    if type(texts) is str:      texts = [texts]    self._texts = texts      def get(self):    return self._texts

model_fn包含模型的规范。在例子中，它是从上一步中保存的pbtxt文件加载的。功能通过input_map显式映射到相应的输入节点。

def model_fn(features, mode):    with tf.gfile.GFile(GRAPH_PATH, 'rb') as f:        graph_def = tf.GraphDef()        graph_def.ParseFromString(f.read())            output = tf.import_graph_def(graph_def,                                 input_map={k + ':0': features[k]                                             for k in INPUT_NAMES},                                 return_elements=['final_encodes:0'])     return EstimatorSpec(mode=mode, predictions={'output': output[0]})  estimator = Estimator(model_fn=model_fn)

现在几乎拥有了进行推理所需的一切。开工吧！

def batch(iterable, n=1):    l = len(iterable)    for ndx in range(0, l, n):        yield iterable[ndx:min(ndx + n, l)] def build_vectorizer(_estimator, _input_fn_builder, batch_size=128):  container = DataContainer()  predict_fn = _estimator.predict(_input_fn_builder(container), yield_single_examples=False)    def vectorize(text, verbose=False):    x = []    bar = Progbar(len(text))    for text_batch in batch(text, batch_size):      container.set(text_batch)      x.append(next(predict_fn)['output'])      if verbose:        bar.add(len(text_batch))          r = np.vstack(x)    return r    return vectorize

可以在存储库中找到上述功能提取器的独立版本。

https://github.com/gaphex/bert_experimental

>>> bert_vectorizer = build_vectorizer(estimator，build_input_fn)>>> bert_vectorizer(64 * ['sample text'])。shape (64,768 )

第4步：使用Projector探索向量空间

现在是时候进行演示了！

使用矢量化器，将为Reuters-21578基准语料库中的文章生成嵌入。

为了在3D中可视化和探索嵌入向量空间，将使用称为T-SNE的降维技术。

先来看一下嵌入文章吧。

from nltk.corpus import reuters nltk.download("reuters")nltk.download("punkt") max_samples = 256categories = ['wheat', 'tea', 'strategic-metal',               'housing', 'money-supply', 'fuel'] S, X, Y = [], [], [] for category in categories:  print(category)    sents = reuters.sents(categories=category)  sents = [' '.join(sent) for sent in sents][:max_samples]  X.append(bert_vectorizer(sents, verbose=True))  Y += [category] * len(sents)  S += sents  X = np.vstack(X) X.shape

嵌入式投影仪可以使用生成的嵌入的交互式可视化。

可以自己运行T-SNE或使用右下角的书签加载检查点(加载仅适用于Chrome)。

第5步：构建搜索引擎

现在，假设拥有50k文本样本的知识库，需要快速回答基于此数据的查询。如何从文本数据库中检索与查询最相似的样本？答案是最近邻搜索。

在形式上，将解决搜索问题定义如下：

给定一组点的小号在向量空间中号，并查询点Q ∈ 中号，发现在最近点小号到Q。有多种方法可以在向量空间中定义“最接近”，将使用欧几里德距离。

因此要为文本构建搜索引擎，将遵循以下步骤：

1. 矢量化来自知识库的所有样本 - 得到S

2. 向量化查询 - 给出Q.

3. 计算Q和S之间的欧氏距离D.

4. 按升序排序D - 提供最相似样本的索引

5. 从知识库中检索所述样本的标签

为了简单地实现这一点将在纯TensorFlow中实现。

首先，为Q和S创建占位符

dim = 1024graph = tf.Graph()sess = tf.InteractiveSession(graph=graph) Q = tf.placeholder("float", [dim])S = tf.placeholder("float", [None, dim])

定义欧氏距离计算

squared_distance = tf.reduce_sum(tf.pow(Q - S, 2), reduction_indices=1)distance = tf.sqrt(squared_distance)

最后，获得最相似的样本索引

top_k = 3 top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=top_k)top_dists = tf.negative(top_neg_dists)

第6步：用数学加速搜索

现在已经设置了基本的检索算法，问题是：  

可以让它运行得更快吗？通过一点点数学可以的。

对于一对向量p和q，欧氏距离定义如下：

这正是在第4步中计算它的方式。

但是，由于p和q是向量，可以扩展并重写它：

其中⟨...⟩表示内在产品。

在TensorFlow中，这可以写成如下：

Q = tf.placeholder("float", [dim])S = tf.placeholder("float", [None, dim]) Qr = tf.reshape(Q, (1, -1)) PP = tf.keras.backend.batch_dot(S, S, axes=1)QQ = tf.matmul(Qr, tf.transpose(Qr))PQ = tf.matmul(S, tf.transpose(Qr)) distance = PP - 2 * PQ + QQdistance = tf.sqrt(tf.reshape(distance, (-1,))) top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=top_k)

由于矩阵乘法运算是高度优化的，因此该实现的工作速度比前一个略快。

顺便说一下，在上面的公式中，PP和QQ实际上是各个向量的L2范数的平方。如果两个向量都是L2归一化的，则PP = QQ = 1.这给出了内积与欧氏距离之间的有趣关系：

然而，进行L2归一化会丢弃关于矢量幅度的信息，这在很多情况下是不合需要的。

相反，可能会注意到，只要知识库没有改变，PP，其平方向量范数也保持不变。因此，不是每次重新计算它，而是使用预先计算的结果，进一步加速距离计算。

现在把它们放在一起。

class L2Retriever:    def __init__(self, dim, top_k=3, use_norm=False, use_gpu=True):        self.dim = dim        self.top_k = top_k        self.use_norm = use_norm        config = tf.ConfigProto(            device_count={'GPU': (1 if use_gpu else 0)}        )        config.gpu_options.allow_growth = True        self.session = tf.Session(config=config)                self.norm = None        self.query = tf.placeholder("float", [self.dim])        self.kbase = tf.placeholder("float", [None, self.dim])                self.build_graph()     def build_graph(self):              if self.use_norm:            self.norm = tf.placeholder("float", [None, 1])         distance = dot_l2_distances(self.kbase, self.query, self.norm)        top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=self.top_k)        top_dists = tf.negative(top_neg_dists)         self.top_distances = top_dists        self.top_indices = top_indices     def predict(self, kbase, query, norm=None):        query = np.squeeze(query)        feed_dict = {self.query: query, self.kbase: kbase}        if self.use_norm:          feed_dict[self.norm] = norm                I, D = self.session.run([self.top_indices, self.top_distances],                                feed_dict=feed_dict)                return I, D      def dot_l2_distances(kbase, query, norm=None):    query = tf.reshape(query, (1, -1))        if norm is None:      XX = tf.keras.backend.batch_dot(kbase, kbase, axes=1)    else:      XX = norm    YY = tf.matmul(query, tf.transpose(query))    XY = tf.matmul(kbase, tf.transpose(query))        distance = XX - 2 * XY + YY    distance = tf.sqrt(tf.reshape(distance, (-1,)))        return distance

示例：电影推荐系统

对于此示例，将使用IMDB中的电影摘要数据集。使用NLU和Retriever模块，将构建一个电影推荐系统，用于建议具有类似绘图功能的电影。

首先，下载并准备IMDB数据集。

http://www.cs.cmu.edu/~ark/personas/

import pandas as pdimport json !wget http://www.cs.cmu.edu/~ark/personas/data/MovieSummaries.tar.gz!tar -xvzf MovieSummaries.tar.gz plots_df = pd.read_csv('MovieSummaries/plot_summaries.txt', sep='\t', header=None)meta_df = pd.read_csv('MovieSummaries/movie.metadata.tsv', sep='\t', header=None) plot = {}metadata = {}movie_data = {} for movie_id, movie_plot in plots_df.values:  plot[movie_id] = movie_plot  for movie_id, movie_name, movie_genre in meta_df[[0,2,8]].values:  genre = list(json.loads(movie_genre).values())  if len(genre):    metadata[movie_id] = {"name": movie_name,                          "genre": genre}    for movie_id in set(plot.keys())&set(metadata.keys()):  movie_data[metadata[movie_id]['name']] = {"genre": metadata[movie_id]['genre'],                                            "plot": plot[movie_id]}  X, Y, names = [], [], [] for movie_name, movie_meta in movie_data.items():  X.append(movie_meta['plot'])  Y.append(movie_meta['genre'])  names.append(movie_name)

使用BERT NLU模块矢量化电影情节：

X_vect = bert_vectorizer(X, verbose=True)

最后，使用L2Retriever，找到与查询电影最相似的绘图向量的电影，并将其返回给用户。

def buildMovieRecommender(movie_names, vectorized_plots, top_k=10):  retriever = L2Retriever(vectorized_plots.shape[1], use_norm=True, top_k=top_k, use_gpu=False)  vectorized_norm = np.sum(vectorized_plots**2, axis=1).reshape((-1,1))    def recommend(query):    try:      idx = retriever.predict(vectorized_plots,                               vectorized_plots[movie_names.index(query)],                               vectorized_norm)[0][1:]      for i in idx:        print(names[i])    except ValueError:      print("{} not found in movie db. Suggestions:")      for i, name in enumerate(movie_names):        if query.lower() in name.lower():          print(i, name)            return recommend

来看看！

>>> recommend = buildMovieRecommender(names, X_vect)>>> recommend("The Matrix")Impostor Immortel Saturn 3 Terminator Salvation The Terminator Logan's Run Genesis II Tron: Legacy Blade Runner

即使没有监督，该模型也可以在几个分类和检索任务中充分执行。虽然使用监督数据可以进一步提高性能，但所描述的文本特征提取方法为下游NLP解决方案提供了坚实的基线。

以上是使用BERT和TensorFlow构建搜索引擎的指南。

推荐阅读

哈工大讯飞联合实验室发布基于全词覆盖的中文BERT预训练模型