【中文分词系列】 4. 基于双向LSTM的seq2seq字标注
By 苏剑林 | 2016-08-22 | 466737位读者 |关于字标注法 #
上一篇文章谈到了分词的字标注法。要注意字标注法是很有潜力的,要不然它也不会在公开测试中取得最优的成绩了。在我看来,字标注法有效有两个主要的原因,第一个原因是它将分词问题变成了一个序列标注问题,而且这个标注是对齐的,也就是输入的字跟输出的标签是一一对应的,这在序列标注中是一个比较成熟的问题;第二个原因是这个标注法实际上已经是一个总结语义规律的过程,以4tag标注为为例,我们知道,“李”字是常用的姓氏,一半作为多字词(人名)的首字,即标记为b;而“想”由于“理想”之类的词语,也有比较高的比例标记为e,这样一来,要是“李想”两字放在一起时,即便原来词表没有“李想”一词,我们也能正确输出be,也就是识别出“李想”为一个词,也正是因为这个原因,即便是常被视为最不精确的HMM模型也能起到不错的效果。
关于标注,还有一个值得讨论的内容,就是标注的数目。常用的是4tag,事实上还有6tag和2tag,而标记分词结果最简单的方法应该是2tag,即标记“切分/不切分”就够了,但效果不好。为什么反而更多数目的tag效果更好呢?因为更多的tag实际上更全面概括了语义规律。比如,用4tag标注,我们能总结出哪些字单字成词、哪些字经常用作开头、哪些字用作末尾,但仅仅用2tag,就只能总结出哪些字经常用作开头,从归纳的角度来看,是不够全面的。但6tag跟4tag比较呢?我觉得不一定更好,6tag的意思是还要总结出哪些字作第二字、第三字,但这个总结角度是不是对的?我觉得,似乎并没有哪些字固定用于第二字或者第三字的,这个规律的总结性比首字和末字的规律弱多了(不过从新词发现的角度来看,6tag更容易发现长词。)。
双向LSTM #
关于双向LSTM,理解的思路是:双向LSTM是LSTM的改进版,LSTM是RNN的改进版。因此,首先需要理解RNN。
笔者曾在拙作《从Boosting学习到神经网络:看山是山?》说到过,模型的输出结果,事实上也是一种特征,也可以作为模型的输入来用,RNN正是这样的网络结构。普通的多层神经网络,是一个输入到输出的单向传播过程。如果涉及到高维输入,也可以这样做,但节点太多,不容易训练,也容易过拟合。比如图像输入是1000x1000的,难以直接处理,这就有了CNN;又或者1000词的句子,每个词用100维的词向量,那么输入维度也不小,这时候,解决这个问题的一个方案是RNN(CNN也可以用,但RNN更适合用于序列问题。)。
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;直到最后一个词。这样,如果输入有n个词,那么我们事实上对结果作了n次预测,给出了n个预测序列。整个过程中,模型共享一组参数。因此,RNN降低了模型的参数数目,防止了过拟合,同时,它生来就是为处理序列问题而设计的,因此,特别适合处理序列问题。
LSTM对RNN做了改进,使得能够捕捉更长距离的信息。但是不管是LSTM还是RNN,都有一个问题,它是从左往右推进的,因此后面的词会比前面的词更重要,但是对于分词这个任务来说是不妥的,因为句子各个字应该是平权的。因此出现了双向LSTM,它从左到右做一次LSTM,然后从右到左做一次LSTM,然后把两次结果组合起来。
在分词任务中的应用 #
关于深度学习与分词,很早就有人尝试过了,比如下列文章:
http://blog.csdn.net/itplus/article/details/13616045
https://github.com/xccds/chinese_wordseg_keras
http://www.leiphone.com/news/201608/IWvc75oJglAIsDvJ.html
这些文章中,不管是用简单的神经网络还是LSTM,它们的做法都跟传统模型是一样的,都是通过上下文来预测当前字的标签,这里的上下文是固定窗口的,比如用前后5个字加上当前字来预测当前字的标签。这种做法没有什么不妥之处,但仅仅是把以往估计概率的方法,如HMM、ME、CRF等,换为了神经网络而已,整个框架是没变的,本质上还是n-gram模型。而有了LSTM,LSTM本身可以做序列到序列(seq2seq)的输出,因此,为什么不直接输出原始句子的序列呢?这样不就真正利用了全文信息了吗?这就是本文的尝试。
LSTM可以根据输入序列输出一个序列,这个序列考虑了上下文的联系,因此,可以给每个输出序列接一个softmax分类器,来预测每个标签的概率。基于这个序列到序列的思路,我们就可以直接预测句子的标签。
Keras实现 #
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))))
def trans_one(x):
_ = map(lambda y: np_utils.to_categorical(y,5), tag[x].reshape((-1,1)))
_ = list(_)
_.extend([np.array([[0,0,0,0,1]])]*(maxlen-len(x)))
return np.array(_)
d['y'] = d['label'].apply(trans_one)
#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。
转载到请包括本文地址:https://spaces.ac.cn/archives/3924
更详细的转载事宜请参考:《科学空间FAQ》
如果您还有什么疑惑或建议,欢迎在下方评论区继续讨论。
如果您觉得本文还不错,欢迎分享/打赏本文。打赏并非要从中获得收益,而是希望知道科学空间获得了多少读者的真心关注。当然,如果你无视它,也不会影响你的阅读。再次表示欢迎和感谢!
如果您需要引用本文,请参考:
苏剑林. (Aug. 22, 2016). 《【中文分词系列】 4. 基于双向LSTM的seq2seq字标注 》[Blog post]. Retrieved from https://spaces.ac.cn/archives/3924
@online{kexuefm-3924,
title={【中文分词系列】 4. 基于双向LSTM的seq2seq字标注},
author={苏剑林},
year={2016},
month={Aug},
url={\url{https://spaces.ac.cn/archives/3924}},
}
October 29th, 2016
感觉不太对呀,msr_train.txt里面没有什么标注呀,第22行s = re.split(u'[,。!?、]/[bems]', s),第27行 s = re.findall('(.)/(.)', s)这都是在干什么呀,35行36行,data,label全部为空数组呀。是我用的msr_train.txt不对劲嘛
估计是编码不对,我已经在文末提供了msr_train.txt
谢啦,问题解决了。很开心,博主能够回答我的问题,好不容易遇到一个热心人,所以我想多问问。我有四个问题,我看您另外一篇文章上面写了用的960gpu训练的,我想知道这个程序也是吗,训练时间花了多久。第二个问题是,这个程序的思路就是不用窗口大小,而是一句话一句话的往LSTM里面送,然后最后的输出结果本来就可以进行分词了。只是没有让他分词,而是将这结果的权值再送入维特比里面,类似HMM的预测过程从而再次进行分词。我的理解对吗?第三个问题是,个人感觉这样的做法和开窗的做法没有多大的区别,只是训练参数变简单了而已,我的理解对吗。第四个问题,我如果想要在这个程序上嵌入词向量,输入输出该怎么设置呢?会不会训练参数太大?
1、是gtx960,大概几个小时吧,具体不记得;
2、本文和HMM之类的模型都是字标注法,字标注法的最后一步基本都是viterbi动态规划,我不知道你为什么会有疑问;
3、开窗的做法相当于CNN,而本文用RNN中的LSTM,原则上来说能够获取更长程的信息,可能这一优点在分词任务上不是特别明显,但在一些比如实体识别之类的任务上就会有明显优势
4、自己阅读官方github的example,有个pretrain_word_embedding的。
October 30th, 2016
唉,程序最后还是出错了,找了一下午也没找出原因“AssertionError: Theano Assert failed! Apply node that caused the error......”是在72行model.fit的地方出错的,不知道什么原因。最后还发现一个疑问67行 TimeDistributed包装器用来干嘛的呀
估计是你内存不足,你把batch_size调小一点试试看。TimeDistributed包装器请好好研读官方帮助文档后再来提问。
找到原因了,不是内存不足,是由于keras以及其所依赖的库的版本低了,全部更新升级就好了,谢谢啦
November 14th, 2016
您好~我有个问题 就是是不是输入一定要变成定长的 补齐或者裁剪 不能实现非定长的?就是我句子里词的个数不固定
必须定长,其实哪怕人类来处理,也是有限长的呀。补零和截断都是一些策略,另外可以是用ngram的思想,分块处理
November 14th, 2016
您好~我有个问题 就是是不是输入一定要变成定长的 补齐或者裁剪 不能实现非定长的?就是我句子里词的个数不固定
还有就是您的keras用的是什么版本啊 我这个keras的layers里 没有您代码里的Dense, Embedding, LSTM, TimeDistributed, Input, Bidirectional这些 盼回复 谢谢T^T
据我所知,就算是keras最古老的版本,也有Dense这个函数。所以我不确定你转的是不是keras
November 20th, 2016
我想将LSTM各个隐层的结果作为下一层的输入,该怎么处理啊?
本文就是将LSTM各个隐层的结果作为下一层的输入呀,在keras就是LSTM(64, return_sequences=True)
December 22nd, 2016
您好:您这样的话,对于句子长度小于32的进行补0之后,补0的地方造成的loss也被包含在损失函数的计算之内,这样做不合理吧?是否应该考虑mask的方法把补0的地方的loss剔除掉?
有mask操作,你看Embedding层里边有个mask_zero=True,后面的层会继承这个mask
此外,如果是用cnn,则不支持mask,这样一来,其实非得全部算入了,也没办法,有时候效果其实还可以的。总而言之,还是实验说话。
January 10th, 2017
运行了下,为什么训练的时候准确率只有35.72%呢,还有请问下,训练完成之后怎么用新的文本进行分类呢
准确率只有30%多是正常的,因为x标签没有算进去。
将X标签设置为/s标签应该就可以了吧
不大好,这样导致s标签过多,训练的时候,会倾向于给出s标签(因为全部输出s都能有很高的准确率),导致结果不大好。
还有一个问题,你的程序在进行测试分词的时候报错,是咋回事啊
January 17th, 2017
博主 有个问题咨询下:
代码的56行,map那边报错了,有可能是什么原因呢,我google了一会儿没找到原因
TypeError: unsupported operand type(s) for +: 'map' and 'list'
你用python3?python3要用list(map(...))代替map(...)
谢谢博主的回复,这样就可以了,还有一个问题想问下博主:
我这边有个功能,就是练习题(单项选择、多项选择以及判断题)的导入,以前是用正则加一些逻辑来识别习题的,导入的时候需要按照模板;现在我准备改成用机器学习的技术来实现,有两个备选方案,一个是“序列标注”(标注出题号、选项、正确答案几类)就可以了,但这个训练集很难做;然后我就想用“机器翻译”的思路做,也看了不少seq2seq方面的知识,我这样考虑的,我只要将所有的习题中的关键标志(题号、选项、正确答案几类)做替换,然后将他们分句丢给RNN去跑(这个训练集的数据更容易实现)。因为手头硬件一般,博主经验比较丰富,想咨询下博主,这两个方案的可行性,实际效果可能哪个好,如果博主有时间的话,非常期待博主的解答。(下面是题库里面一道题大概的样子)
1.马克思主义的直接理论来源是(C)
A.法国唯物主义、英国经验主义、德国理性主义
B.细胞学说、能量守恒定律、生物进化论
C.德国古典哲学、英国古典政治经济学、英法空想社会主义
D.法国历史哲学、英国科学主义、欧洲人文主义
这种我不确定你的数据有多少,数据多的话,我觉得直接把题目和答案同时输入模型中,训练一个二分类器就行,然后预测的时候,就取打分最高的一个。因为你是选择题,就相当于同时给出了正样本对和负样本对,我感觉没有必要用seq2seq。当然,我没实践过,不知道真实情况。有些论文确实也用seq2seq,但是没细留意这方面的内容。
首先谢谢博主的耐心回复。
我这边暂时有11000 多套题,一套题的题目数量在(20-200)不等,题型包括单选、多选、判断,我现在准备用序列标注,分六类(题型、题号、选项、解析、答案、普通文本),然后不是所有的习题都严格遵循我在前面描述中例子的样子,现在正在处理数据,这个数量级的数据,做序列标注不知道效果会不会比较好,这个方向应该是没问题的吧
还有一个问题想请教博主
本文代码中的88行,viterbi() 方法中为什么 paths 初始化的逻辑,为什么是这样
paths = {'b':nodes[0]['b'], 's':nodes[0]['s']}
在上一篇博文中 paths每次都是初始化如下: paths = {}
哈哈,谢谢你的仔细阅读,还留意到这个细节。因为原则上来说,一个完整的句子,分词标注序列只能以b或者s开头,所以这里通过paths = {'b':nodes[0]['b'], 's':nodes[0]['s']}强行以b或s开头。当然,这个只是一个小trick。
十分感谢博主的耐心解答:
对博主代码中还有个疑惑:
simple_cut方法里面 103行的代码
r = model.predict(np.array([list(chars[list(s)].fillna(0).astype(int))+[0]*(maxlen-len(s))]), verbose=False)[0][:len(s)]
里面每次预测都需要之前编码的 chars数组吗?
代码的46行
chars = [] #统计所有字,跟每个字编号
这样是不是在预测的时候,都需要chars变量,如果使用训练好的模型就会比较麻烦,还得读出 保存读取char[]数组
老师,Python 2.7的话,windows系统,from keras.utils import np_utils从这里开始,就不行了啊,不知道你的python 2怎么安装的keras和 tensorflow,是win系统吗?
January 19th, 2017
您好 请问您在代码中如何体现 将填充的x标签不计算进loss中?我按照您的框架写了一个程序 结果总是倾向于给出填补的标签 不知该如何解决:(
看到了您用了mask_zero=True 但是这样是不是填补必须用数字0才可以 如果是矩阵里的 [1,0,0,0]代表0 是不是就不行了
这里不大懂的你的意思,mask_zero是在embedding层的,它的输入是词语的编号而已,编号本身没有什么意义。而mask_zero=True意味着无视0这个编号。
倾向于给出添补的标签不重要呀,你只需要在前面的字数中,只保留非x标签就行了呀。
January 23rd, 2017
请问怎么把训练好的模型保存下来
http://keras-cn.readthedocs.io/en/latest/models/about_model/