文本预处理、n-gram语言模型、循环神经网络基础

文本预处理

常见4个步骤：

1. 读取文本
2. 分词
3. 建立字典，将每个词映射到一个唯一的索引
4. 将文本从词的序列转换为索引的序列，方便输入模型

一、读取文本

import re
def read_data():
	with open('...') as f:
		lines = [re.sub('[^a-z]+',' ',line.strip().lower()) for line in f]
		#使用re包过滤字符，
		#表示与不包含小写字母的字符匹配,并替换为空格 ，去空格和转小写
	return lines

lines = read_data()
print('num of sentences %d'%len(lines))

二、分词

将一个句子分成若干个词token，转换为一个词的序列

def tokenize(sentences,token='word'):
	if token == 'word':
		return [sentence.split(' ') for sentence in sentences]
	elif token == 'char':
		return [list(sentence) for sentence in sentences]
	else:
		print('Unkown token type:'+token)

tokens  =  tokenize(lines)
tokens[0:2]

split函数会切割字符串，按照空格形式，并返回list

三、建立字典

模型是无法处理字符串的，我们需要把它转换为数字，所以先建立字典，在把单词映射到唯一的索引编号。

class Vocab(object):
    def __init__(self, tokens, min_freq=0, use_special_tokens=False):
        counter = count_corpus(tokens)  # : 
        self.token_freqs = list(counter.items())
        self.idx_to_token = []
        if use_special_tokens:
            # padding, begin of sentence, end of sentence, unknown
            self.pad, self.bos, self.eos, self.unk = (0, 1, 2, 3)
            self.idx_to_token += ['', '', '', '']
        else:
            self.unk = 0
            self.idx_to_token += ['']
        self.idx_to_token += [token for token, freq in self.token_freqs
                        if freq >= min_freq and token not in self.idx_to_token]
        self.token_to_idx = dict()
        for idx, token in enumerate(self.idx_to_token):
            self.token_to_idx[token] = idx
def count_corpus(sentences):
    tokens = [tk for st in sentences for tk in st]
    return collections.Counter(tokens)  # 返回一个字典，记录每个词的出现次数

vocab = Vocab(tokens)
print(list(vocab.token_to_idx.items())[0:10])

两个分词工具：

text = "Mr. Chen doesn't agree with my suggestion."
import spacy
nlp = spacy.load('en_core_web_sm')
doc = nlp(text)
print([token.text for token in doc])

text = "Mr. Chen doesn't agree with my suggestion."
from nltk.tokenize import word_tokenize
from nltk import data
data.path.append('/home/kesci/input/nltk_data3784/nltk_data')
print(word_tokenize(text))

语言模型

我们把一段文本，可以看成一个离散的时间序列，而语言模型的目标就是评估该序列是否合理.
语言模型的参数就是词的概率以及给定前几个词情况下的条件概率。
词的概率就是该词相对数据集的相对词频：
$\hat{P}(w_1)=\frac{n(w_1)}{n}$
同样的，给定w1，w2的条件概率：
$\hat{P}(w_2\mid w_1)=\frac{n(w_1,w_2)}{n(w_1)}$

n元语法

遵循马尔科夫假设，即一个事件只取决于前一个事件相关，
$P(w_1,w_2,\dots ,w_T)={\prod }_{t=1}^{T}P(w_t\mid w_{t-(n-1)},\dots ,w_{t-1}).$
所以一元语法（unigram）只与自己有关、二元语法（bigram）与前一个词有关和三元语法（trigram）与前两个词有关.

n不能太小，会不准确，n较大，又会导致计算和要存储大量词频和多词相邻频率。引出n元语法可能有的两个缺陷，一个是参数空间过大，第二个是数据稀疏

读取模型并建立字符索引：

def load_data():   
    with open('...') as f:
        corpus_chars = f.read()
    corpus_chars = corpus_chars.replace('\n', ' ').replace('\r', ' ')
    corpus_chars = corpus_chars[0:10000]
    idx_to_char = list(set(corpus_chars))
    char_to_idx = dict([(char, i) for i, char in enumerate(idx_to_char)])
    vocab_size = len(char_to_idx)
    corpus_indices = [char_to_idx[char] for char in corpus_chars]
    return corpus_indices, char_to_idx, idx_to_char, vocab_size

时序数据采样

我们知道每次训练中，都会随机读取小批量样本和标签，而时序数据有点不同，一个样本通常包含连续字符，例如步长为3，就是X=”情人节“，而该样本标签序列为Y =“人节快”.

序列长度为T，时间步数为n，一共T-n个样本，因为样本的大量重复，所以采用高效的采样方式，随机采样和相邻采样.

随机采样

每次从数据里随机采样一个小批量。
batch_size为每个小批量的样本数目
num_steps为每个样本的时间步数
相邻的两个随机小批量在原始序列上的位置不一定相毗邻

import torch
import random
def data_iter_random(corpus_indices, batch_size, num_steps, device=None):
    # 减1是因为对于长度为n的序列，X最多只有包含其中的前n - 1个字符
    num_examples = (len(corpus_indices) - 1) // num_steps  # 下取整，得到不重叠情况下的样本个数
    example_indices = [i * num_steps for i in range(num_examples)]  # 每个样本的第一个字符在corpus_indices中的下标
    random.shuffle(example_indices)

    def _data(i):
        # 返回从i开始的长为num_steps的序列
        return corpus_indices[i: i + num_steps]
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    
    for i in range(0, num_examples, batch_size):
        # 每次选出batch_size个随机样本
        batch_indices = example_indices[i: i + batch_size]  # 当前batch的各个样本的首字符的下标
        X = [_data(j) for j in batch_indices]
        Y = [_data(j + 1) for j in batch_indices]
        yield torch.tensor(X, device=device), torch.tensor(Y, device=device)

以下为测试代码：

my_seq = list(range(30))
for X, Y in data_iter_random(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')

X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [13, 14, 15, 16, 17, 18]]) 

X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [18, 19, 20, 21, 22, 23]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [19, 20, 21, 22, 23, 24]]) 

相邻采样

相邻的两个随机小批量在原始序列上的位置相毗邻

def data_iter_consecutive(corpus_indices, batch_size, num_steps, device=None):
    if device is None:
        device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    corpus_len = len(corpus_indices) // batch_size * batch_size  # 保留下来的序列的长度
    corpus_indices = corpus_indices[: corpus_len]  # 仅保留前corpus_len个字符
    indices = torch.tensor(corpus_indices, device=device)
    indices = indices.view(batch_size, -1)  # resize成(batch_size, )
    batch_num = (indices.shape[1] - 1) // num_steps
    for i in range(batch_num):
        i = i * num_steps
        X = indices[:, i: i + num_steps]
        Y = indices[:, i + 1: i + num_steps + 1]
        yield X, Y

测试代码：

for X, Y in data_iter_consecutive(my_seq, batch_size=2, num_steps=6):
    print('X: ', X, '\nY:', Y, '\n')

X:  tensor([[ 0,  1,  2,  3,  4,  5],
        [15, 16, 17, 18, 19, 20]]) 
Y: tensor([[ 1,  2,  3,  4,  5,  6],
        [16, 17, 18, 19, 20, 21]]) 

X:  tensor([[ 6,  7,  8,  9, 10, 11],
        [21, 22, 23, 24, 25, 26]]) 
Y: tensor([[ 7,  8,  9, 10, 11, 12],
        [22, 23, 24, 25, 26, 27]]) 

循环神经网络基础

除了n-gram，我们也可以基于RNN实现语言模型，目标是基于当前输入和过去的输入序列，预测序列的下一个字符.
RNN引入一个隐藏变量H，$H_t$为t时刻的状态，$H_t$的计算是基于$X_t$和$H_{t-1}$，$H_t$记录了到当前字符为止的序列信息，然后利用它来预测下一个字符

RNN的结构

假设${\mathbf{X}}_t\in {\mathbb{R}}^{n\times d}$是时间步$t$的小批量输入，${\mathbf{H}}_t\in {\mathbb{R}}^{n\times h}$是该时间步的隐藏变量，则：

$${\mathbf{H}}_t=\varphi ({\mathbf{X}}_t{\mathbf{W}}_{xh}+{\mathbf{H}}_{t-1}{\mathbf{W}}_{hh}+{\mathbf{b}}_h).$$
其中，${\mathbf{W}}_{xh}\in {\mathbb{R}}^{d\times h}$，${\mathbf{W}}_{hh}\in {\mathbb{R}}^{h\times h}$，${\mathbf{b}}_h\in {\mathbb{R}}^{1\times h}$，$\varphi$函数是非线性激活函数。在时间步$t$，输出层的输出为：

$${\mathbf{O}}_t={\mathbf{H}}_t{\mathbf{W}}_{hq}+{\mathbf{b}}_q.$$

其中${\mathbf{W}}_{hq}\in {\mathbb{R}}^{h\times q}$，${\mathbf{b}}_q\in {\mathbb{R}}^{1\times q}$。

W_xh: 状态-输入权重
W_hh: 状态-状态权重
W_hq: 状态-输出权重
b_h: 隐藏层的偏置
b_q: 输出层的偏置

裁剪梯度

是一种应对梯度爆炸的方法，假设我们把所有模型参数的梯度拼接成一个向量 $\mathbf{g}$，并设裁剪的阈值是$\theta$。裁剪后的梯度

$$\min \left(\frac{\theta }{\Vert \mathbf{g}\Vert },1\right)\mathbf{g}$$

的$L_2$范数不超过$\theta$。

困惑度

困惑度是用来评价语言模型好坏的，困惑度是对交叉熵损失函数做指数运算后得到的值

• 最佳情况下，模型总是把标签类别的概率预测为1，此时困惑度为1；
• 最坏情况下，模型总是把标签类别的概率预测为0，此时困惑度为正无穷；
• 基线情况下，模型总是预测所有类别的概率都相同，此时困惑度为类别个数。