事不宜迟,动手最重要。词向量维度用了128,句子长度截断为32(抛弃了多于32字的样本,这部分样本很少,事实上,用逗号、句号等天然分隔符分开后,句子很少有多于32字的。)。这次我用了5tag,在原来的4tag的基础上,加上了一个x标签,用来表示不够32字的部分,比如句子是20字的,那么第21~32个标签均为x。
在数据方面,我用了Bakeoff 2005的语料中微软亚洲研究院(Microsoft Research)提供的部分。代码如下,如果有什么不清晰的地方,欢迎留言。
-- coding:utf-8 --
import re
import numpy as np
import pandas as pd
s = open(‘msr_train.txt’).read().decode(‘gbk’)
s = s.split(‘\r\n’)
def clean(s): #整理一下数据,有些不规范的地方
if u’“/s’ not in s:
return s.replace(u’ ”/s’, ”)
elif u’”/s’ not in s:
return s.replace(u’“/s ‘, ”)
elif u’‘/s’ not in s:
return s.replace(u’ ’/s’, ”)
elif u’’/s’ not in s:
return s.replace(u’‘/s ‘, ”)
else:
return s
s = u”.join(map(clean, s))
s = re.split(u’[,。!?、]/[bems]’, s)
data = [] #生成训练样本
label = []
def get_xy(s):
s = re.findall(‘(.)/(.)’, s)
if s:
s = np.array(s)
return list(s[:,0]), list(s[:,1])
for i in s:
x = get_xy(i)
if x:
data.append(x[0])
label.append(x[1])
d = pd.DataFrame(index=range(len(data)))
d[‘data’] = data
d[‘label’] = label
d = d[d[‘data’].apply(len) <= maxlen]
d.index = range(len(d))
tag = pd.Series({’s’:0, ‘b’:1, ‘m’:2, ‘e’:3, ‘x’:4})
chars = [] #统计所有字,跟每个字编号
for i in data:
chars.extend(i)
chars = pd.Series(chars).value_counts()
chars[:] = range(1, len(chars)+1)
生成适合模型输入的格式
from keras.utils import np_utils
d[‘x’] = d[‘data’].apply(lambda x: np.array(list(chars[x])+[0]*(maxlen-len(x))))
d[‘y’] = d[‘label’].apply(lambda x: np.array(map(lambda y:np_utils.to_categorical(y,5), tag[x].reshape((-1,1)))+[np.array([[0,0,0,0,1]])]*(maxlen-len(x))))
设计模型
word_size = 128
maxlen = 32
from keras.layers import Dense, Embedding, LSTM, TimeDistributed, Input, Bidirectional
from keras.models import Model
sequence = Input(shape=(maxlen,), dtype=’int32’)
embedded = Embedding(len(chars)+1, word_size, input_length=maxlen, mask_zero=True)(sequence)
blstm = Bidirectional(LSTM(64, return_sequences=True), merge_mode=’sum’)(embedded)
output = TimeDistributed(Dense(5, activation=’softmax’))(blstm)
model = Model(input=sequence, output=output)
model.compile(loss=’categorical_crossentropy’, optimizer=’adam’, metrics=[‘accuracy’])
batch_size = 1024
history = model.fit(np.array(list(d[‘x’])), np.array(list(d[‘y’])).reshape((-1,maxlen,5)), batch_size=batch_size, nb_epoch=50)
转移概率,单纯用了等概率
zy = {‘be’:0.5,
‘bm’:0.5,
‘eb’:0.5,
‘es’:0.5,
‘me’:0.5,
‘mm’:0.5,
‘sb’:0.5,
‘ss’:0.5
}
zy = {i:np.log(zy[i]) for i in zy.keys()}
def viterbi(nodes):
paths = {‘b’:nodes[0][‘b’], ‘s’:nodes[0][’s’]}
for l in range(1,len(nodes)):
paths_ = paths.copy()
paths = {}
for i in nodes[l].keys():
nows = {}
for j in paths_.keys():
if j[-1]+i in zy.keys():
nows[j+i]= paths_[j]+nodes[l][i]+zy[j[-1]+i]
k = np.argmax(nows.values())
paths[nows.keys()[k]] = nows.values()[k]
return paths.keys()[np.argmax(paths.values())]
def simple_cut(s):
if s:
r = model.predict(np.array([list(chars[list(s)].fillna(0).astype(int))+[0]*(maxlen-len(s))]), verbose=False)[0][:len(s)]
r = np.log(r)
nodes = [dict(zip([’s’,’b’,’m’,’e’], i[:4])) for i in r]
t = viterbi(nodes)
words = []
for i in range(len(s)):
if t[i] in [’s’, ‘b’]:
words.append(s[i])
else:
words[-1] += s[i]
return words
else:
return []
not_cuts = re.compile(u’([\da-zA-Z ]+)|[。,、?!.\?,!]’)
def cut_word(s):
result = []
j = 0
for i in not_cuts.finditer(s):
result.extend(simple_cut(s[j:i.start()]))
result.append(s[i.start():i.end()])
j = i.end()
result.extend(simple_cut(s[j:]))
return result
我们可以用model.summary()看一下模型的结构。
model.summary()
Layer (type) Output Shape Param # Connected to
input_2 (InputLayer) (None, 32) 0
embedding_2 (Embedding) (None, 32, 128) 660864 input_2[0][0]
bidirectional_1 (Bidirectional) (None, 32, 64) 98816 embedding_2[0][0]
timedistributed_2 (TimeDistribute) (None, 32, 5) 325 bidirectional_1[0][0]
Total params: 760005
最终的模型结果如何?我不打算去对比那些评测结果了,现在的模型在测试上达到90%以上的准确率不是什么难事。我关心的是对新词的识别和对歧义的处理。下面是一些测试结果(随便选的):
RNN 的 意思 是 , 为了 预测 最后 的 结果 , 我 先 用 第一个 词 预测 , 当然 , 只 用 第一个 预测 的 预测 结果 肯定 不 精确 , 我 把 这个 结果 作为 特征 , 跟 第二词 一起 , 来 预测 结果 ; 接着 , 我 用 这个 新 的 预测 结果 结合 第三词 , 来 作 新 的 预测 ; 然后 重复 这个 过程 。
结婚 的 和 尚未 结婚 的
苏剑林 是 科学 空间 的 博主 。
广东省 云浮市 新兴县
魏则西 是 一 名 大学生
这 真是 不堪入目 的 环境
列夫·托尔斯泰 是 俄罗斯 一 位 著名 的 作家
保加利亚 首都 索非亚 是 全国 政治 、 经济 、 文化中心 , 位于 保加利亚 中 西部
罗斯福 是 第二次世界大战 期间 同 盟国 阵营 的 重要 领导人 之一 。 1941 年 珍珠港 事件发生 后 , 罗斯 福力 主对 日本 宣战 , 并 引进 了 价格 管制 和 配给 。 罗斯福 以 租 借 法案 使 美国 转变 为 “ 民主 国家 的 兵工厂 ” , 使 美国 成为 同 盟国 主要 的 军火 供应商 和 融资 者 , 也 使得 美国 国内 产业 大幅 扩张 , 实现 充分 就业 。 二战 后期 同 盟国 逐渐 扭转 形势 后 , 罗斯福 对 塑造 战后 世界 秩序 发挥 了 关键 作用 , 其 影响 力 在 雅尔塔 会议 及 联合国 的 成立 中 尤其 明显 。 后来 , 在 美国 协助 下 , 盟军 击败 德国 、 意大利 和 日本 。
可以发现,测试结果是很乐观的。不论是人名(中国人名或外国人名)还是地名,识别效果都很好。关于这个模型,目前就说到这里,以后会继续深入的。
最后
事实上本文是提供了一个框架,能够直接通过双向LSTM对序列进行标注,给出完整的标注序列。这种标注的思路,可以用于很多任务,如词性标注、实体识别,因此,基于双向LSTM的seq2seq标注思路,有很广的应用,值得研究。甚至最近热门的深度学习的机器翻译,都是用这种序列到序列的模型实现的。