机器学习与统计学 · 2019年11月25日

bert+seq2seq 周公解梦,看AI如何解析你的梦境?【转】

介绍

在参与的项目和产品中,涉及到模型和算法的需求,主要以自然语言处理(NLP)和知识图谱(KG)为主。NLP涉及面太广,而聚焦在具体场景下,想要生产落地的还需要花很多功夫。
作为NLP的主要方向,情感分析,文本多分类,实体识别等已经在项目中得到应用。例如
通过实体识别,抽取文本中提及到的公司、个人以及金融产品等。
通过情感分析,判别新闻资讯,对其提到的公司和个人是否利好?
通过文本多分类,判断资讯是否是高质量?判断资讯的行业和主题?
具体详情再找时间分享。而文本生成、序列到序列(Sequence to Sequence)在机器翻译、问答系统、聊天机器人中有较广的应用,在参与的项目中暂无涉及,本文主要通过tensorflow+bert+seq2seq实现一个简单的问答模型,旨在对seq2seq的了解和熟悉。

数据

关于seq2seq的demo数据有很多,例如小黄鸡聊天语料库,影视语料库,翻译语料库等等。由于最近总是做些奇怪的梦,便想着,做一个AI解梦的应用玩玩,just for fun。
通过采集从网上采集周公解梦数据,通过清洗,形成
dream:梦境;
decode:梦境解析结果。
这样的序列对,总计33000+ 条记录。数据集下载地址:后台回复“解梦”
{

"dream": "梦见商人或富翁",
"decode": "是个幸运的预兆,未来自己的事业很有机会成功,不过如果梦中的富翁是自己,则是一个凶兆。。"

}

模型准备

#下载 bert
$ git clone https://github.com/google-research/bert.git
#下载中文预训练模型
$ wget -c https://storage.googleapis.com/bert_models/2018_11_03/chinese_L-12_H-768_A-12.zip
$ unzip chinese_L-12_H-768_A-12.zip 

bert 的input:

self.input_ids = tf.placeholder(
    dtype=tf.int32,
    shape=[None, None],
    name="input_ids"
)
self.input_mask = tf.placeholder(
    dtype=tf.int32,
    shape=[None, None],
    name="input_mask"
)
self.segment_ids = tf.placeholder(
    dtype=tf.int32,
    shape=[None, None],
    name="segment_ids"
)
self.dropout = tf.placeholder(
    dtype=tf.float32,
    shape=None,
    name="dropout"
)

bert 的model :

self.bert_config = modeling.BertConfig.from_json_file(bert_config)
    model = modeling.BertModel(
        config=self.bert_config,
        is_training=self.is_training,
        input_ids=self.input_ids,
        input_mask=self.input_mask,
        token_type_ids=self.segment_ids,
        use_one_hot_embeddings=False
    )

seq2seq 的encoder_embedding 替换:

# 默认seq2seq model_inputs
# self.encoder_embedding = tf.Variable(tf.random_uniform([from_dict_size, embedded_size], -1, 1),name ="encoder_embedding")
# self.model_inputs = tf.nn.embedding_lookup(self.encoder_embedding, self.X),
#  替换成bert
self.embedded = model.get_sequence_output()
self.model_inputs = tf.nn.dropout(self.embedded, self.dropout)

seq2seq 的decoder_embedding 替换:

# 默认seq2seq decoder_embedding
# self.decoder_embedding = tf.Variable(tf.random_uniform([to_dict_size, embedded_size], -1, 1),name="decoder_embedding")
#  替换成bert
self.decoder_embedding = model.get_embedding_table()
self.decoder_input = tf.nn.embedding_lookup(self.decoder_embedding, decoder_input),

数据预处理

for i in range(len(inputs)):
    tokens = inputs[i]
    inputs_ids = model.tokenizer.convert_tokens_to_ids(inputs[i])
    segment_ids = [0] * len(inputs_ids)
    input_mask = [1] * len(inputs_ids)
    tag_ids = model.tokenizer.convert_tokens_to_ids(outputs[i])
    data.append([tokens, tag_ids, inputs_ids, segment_ids, input_mask])
    

def pad_data(data):
    c_data = copy.deepcopy(data)
    max_x_length = max([len(i[0]) for i in c_data])
    max_y_length = max([len(i[1]) for i in c_data]) 
    # 这里生成的序列的tag-id 和 input-id 长度要分开
    # print("max_x_length : {} ,max_y_length : {}".format( max_x_length,max_y_length))
    padded_data = []
    for i in c_data:
        tokens, tag_ids, inputs_ids, segment_ids, input_mask = i
        tag_ids = tag_ids + (max_y_length - len(tag_ids)) * [0]
        # 注意tag-ids 的长度补充,和预测的序列长度一致。
        inputs_ids = inputs_ids + (max_x_length - len(inputs_ids)) * [0]
        segment_ids = segment_ids + (max_x_length - len(segment_ids)) * [0]
        input_mask = input_mask + (max_x_length - len(input_mask)) * [0]
        assert len(inputs_ids) == len(segment_ids) == len(input_mask)
        padded_data.append(
            [tokens, tag_ids, inputs_ids, segment_ids, input_mask]
        )
    return padded_data

训练

$ python3 model.py --task=train \
    --is_training=True \
    --epoch=100 \
    --size_layer=256 \
    --bert_config=chinese_L-12_H-768_A-12/bert_config.json \
    --vocab_file=chinese_L-12_H-768_A-12/vocab.txt \
    --num_layers=2 \
    --learning_rate=0.001 \
    --batch_size=16 \
    --checkpoint_dir=result

image

预测

$ python3 model.py --task=predict \
        --is_training=False \
        --epoch=100 \
        --size_layer=256 \
        --bert_config=chinese_L-12_H-768_A-12/bert_config.json \
        --vocab_file=chinese_L-12_H-768_A-12/vocab.txt \
        --num_layers=2 \
        --learning_rate=0.001 \
        --batch_size=16 \
        --checkpoint_dir=result

image

Just For Fun ^_^

本文代码: https://github.com/saiwaiyany...

作者:saiwaiyanyu
链接:https://juejin.im/post/5dd9e0...
来源:掘金

8

本文由博客一文多发平台 OpenWrite 发布!
推荐阅读
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息