A股上市公司传智教育(股票代码 003032)旗下技术交流社区北京昌平校区

 找回密码
 加入黑马

QQ登录

只需一步,快速开始

简介简单了解下中文分词的概念,并用标准数据集、Keras和TensorFlow,分别基于LSTM和CNN实现中文分词器
原理中文分词是指,将句子根据语义切分成词
我来到北京清华大学 -> 我  来到  北京  清华大学复制代码中文分词的两大难题:
  • 歧义、多义词
  • 未登陆词(Out Of Vocabulary,OOV)、新词识别
常用的两大类分词方法:
  • 基于词典:使用已有的词典和一些启发式规则,例如最大匹配法、反向最大匹配法、最少词数法、基于有向无环图的最大概率组合等
  • 基于标注:字标注问题,可以看作序列标注(Sequence Labeling)的一种,即SBME四标注,例如隐马尔科夫模型HMM、最大熵模型ME、条件随机场模型CRF、神经网络模型等
序列标注属于Seq2Seq Learning的一种,即下图中的最后一种情况


来自吴恩达深度学习微专业第五课的例子


全栈课程中介绍过jieba分词,其所用的方法:
  • 基于前缀词典实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图 (DAG)
  • 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合
  • 对于未登录词,采用了基于汉字成词能力的 HMM 模型,使用了 Viterbi 算法
数据使用Bakeoff 2005提供的标注语料,包括四个来源
sighan.cs.uchicago.edu/bakeoff2005…
  • Academia Sinica:as
  • CityU:cityu
  • Peking University:pku
  • Microsoft Research:msr
以msr为例,共包括四个文件
  • msr_training.utf8:已切分的训练数据
  • msr_training_words.utf8:训练数据词库
  • msr_test.utf8:未切分的测试数据
  • msr_test_gold.utf8:已切分的测试数据
BiLSTM将数据整理并进行字嵌入(Character Embedding)之后,使用Keras实现双向LSTM进行序列标注
加载库
# -*- coding: utf-8 -*-from keras.layers import Input, Dense, Embedding, LSTM, Dropout, TimeDistributed, Bidirectionalfrom keras.models import Model, load_modelfrom keras.utils import np_utilsimport numpy as npimport re复制代码准备字典
# 读取字典vocab = open('data/msr/msr_training_words.utf8').read().rstrip('\n').split('\n')vocab = list(''.join(vocab))stat = {}for v in vocab:    stat[v] = stat.get(v, 0) + 1stat = sorted(stat.items(), key=lambda x:x[1], reverse=True)vocab = [s[0] for s in stat]# 5167 个字print(len(vocab))# 映射char2id = {c : i + 1 for i, c in enumerate(vocab)}id2char = {i + 1 : c for i, c in enumerate(vocab)}tags = {'s': 0, 'b': 1, 'm': 2, 'e': 3, 'x': 4}复制代码定义一些参数
embedding_size = 128maxlen = 32 # 长于32则截断,短于32则填充0hidden_size = 64batch_size = 64epochs = 50复制代码定义一个读取并整理数据的函数
def load_data(path):    data = open(path).read().rstrip('\n')    # 按标点符号和换行符分隔    data = re.split('[,。!?、\n]', data)    print('共有数据 %d 条' % len(data))    print('平均长度:', np.mean([len(d.replace(' ', '')) for d in data]))                # 准备数据    X_data = []    y_data = []        for sentence in data:        sentence = sentence.split(' ')        X = []        y = []                try:            for s in sentence:                s = s.strip()                # 跳过空字符                if len(s) == 0:                    continue                # s                elif len(s) == 1:                    X.append(char2id)                    y.append(tags['s'])                elif len(s) > 1:                    # b                    X.append(char2id[s[0]])                    y.append(tags['b'])                    # m                    for i in range(1, len(s) - 1):                        X.append(char2id[s])                        y.append(tags['m'])                    # e                    X.append(char2id[s[-1]])                    y.append(tags['e'])                        # 统一长度            if len(X) > maxlen:                X = X[:maxlen]                y = y[:maxlen]            else:                for i in range(maxlen - len(X)):                    X.append(0)                    y.append(tags['x'])        except:            continue        else:            if len(X) > 0:                X_data.append(X)                y_data.append(y)        X_data = np.array(X_data)    y_data = np_utils.to_categorical(y_data, 5)        return X_data, y_dataX_train, y_train = load_data('data/msr/msr_training.utf8')X_test, y_test = load_data('data/msr/msr_test_gold.utf8')print('X_train size:', X_train.shape)print('y_train size:', y_train.shape)print('X_test size:', X_test.shape)print('y_test size:', y_test.shape)复制代码定义模型,训练并保存
X = Input(shape=(maxlen,), dtype='int32')embedding = Embedding(input_dim=len(vocab) + 1, output_dim=embedding_size, input_length=maxlen, mask_zero=True)(X)blstm = Bidirectional(LSTM(hidden_size, return_sequences=True), merge_mode='concat')(embedding)blstm = Dropout(0.6)(blstm)blstm = Bidirectional(LSTM(hidden_size, return_sequences=True), merge_mode='concat')(blstm)blstm = Dropout(0.6)(blstm)output = TimeDistributed(Dense(5, activation='softmax'))(blstm)model = Model(X, output)model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs)model.save('msr_bilstm.h5')复制代码查看模型在训练集和测试集上的分词正确率
print(model.evaluate(X_train, y_train, batch_size=batch_size))print(model.evaluate(X_test, y_test, batch_size=batch_size))复制代码定义viterbi函数,使用动态规划算法获得最大概率路径
def viterbi(nodes):    trans = {'be': 0.5, 'bm': 0.5, 'eb': 0.5, 'es': 0.5, 'me': 0.5, 'mm': 0.5, 'sb': 0.5, 'ss': 0.5}    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 trans.keys():                    nows[j + i] = paths_[j] + nodes[l] + trans[j[-1] + i]            nows = sorted(nows.items(), key=lambda x: x[1], reverse=True)            paths[nows[0][0]] = nows[0][1]        paths = sorted(paths.items(), key=lambda x: x[1], reverse=True)    return paths[0][0]复制代码使用训练好的模型定义分词函数
def cut_words(data):    data = re.split('[,。!?、\n]', data)    sens = []    Xs = []    for sentence in data:        sen = []        X = []        sentence = list(sentence)        for s in sentence:            s = s.strip()            if not s == '' and s in char2id:                sen.append(s)                X.append(char2id)        if len(X) > maxlen:            sen = sen[:maxlen]            X = X[:maxlen]        else:            for i in range(maxlen - len(X)):                X.append(0)                if len(sen) > 0:            Xs.append(X)            sens.append(sen)        Xs = np.array(Xs)    ys = model.predict(Xs)        results = ''    for i in range(ys.shape[0]):        nodes = [dict(zip(['s', 'b', 'm', 'e'], d[:4])) for d in ys]        ts = viterbi(nodes)        for x in range(len(sens)):            if ts[x] in ['s', 'e']:                results += sens[x] + '/'            else:                results += sens[x]            return results[:-1]复制代码调用分词函数并测试
print(cut_words('中国共产党第十九次全国代表大会,是在全面建成小康社会决胜阶段、中国特色社会主义进入新时代的关键时期召开的一次十分重要的大会。'))print(cut_words('把这本书推荐给,具有一定编程基础,希望了解数据分析、人工智能等知识领域,进一步提升个人技术能力的社会各界人士。'))print(cut_words('结婚的和尚未结婚的。'))复制代码在CPU上每轮训练耗时1500多秒,共训练50轮,训练集准确率98.91%,测试集准确率95.47%
再来一个代码,使用训练好的模型进行分词
# -*- coding: utf-8 -*-from keras.models import Model, load_modelimport numpy as npimport re# 读取字典vocab = open('data/msr/msr_training_words.utf8').read().rstrip('\n').split('\n')vocab = list(''.join(vocab))stat = {}for v in vocab:    stat[v] = stat.get(v, 0) + 1stat = sorted(stat.items(), key=lambda x:x[1], reverse=True)vocab = [s[0] for s in stat]# 5167 个字print(len(vocab))# 映射char2id = {c : i + 1 for i, c in enumerate(vocab)}id2char = {i + 1 : c for i, c in enumerate(vocab)}tags = {'s': 0, 'b': 1, 'm': 2, 'e': 3, 'x': 4}maxlen = 32 # 长于32则截断,短于32则填充0model = load_model('msr_bilstm.h5')def viterbi(nodes):    trans = {'be': 0.5, 'bm': 0.5, 'eb': 0.5, 'es': 0.5, 'me': 0.5, 'mm': 0.5, 'sb': 0.5, 'ss': 0.5}    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 trans.keys():                    nows[j + i] = paths_[j] + nodes[l] + trans[j[-1] + i]            nows = sorted(nows.items(), key=lambda x: x[1], reverse=True)            paths[nows[0][0]] = nows[0][1]        paths = sorted(paths.items(), key=lambda x: x[1], reverse=True)    return paths[0][0]def cut_words(data):    data = re.split('[,。!?、\n]', data)    sens = []    Xs = []    for sentence in data:        sen = []        X = []        sentence = list(sentence)        for s in sentence:            s = s.strip()            if not s == '' and s in char2id:                sen.append(s)                X.append(char2id)        if len(X) > maxlen:            sen = sen[:maxlen]            X = X[:maxlen]        else:            for i in range(maxlen - len(X)):                X.append(0)                if len(sen) > 0:            Xs.append(X)            sens.append(sen)        Xs = np.array(Xs)    ys = model.predict(Xs)        results = ''    for i in range(ys.shape[0]):        nodes = [dict(zip(['s', 'b', 'm', 'e'], d[:4])) for d in ys]        ts = viterbi(nodes)        for x in range(len(sens)):            if ts[x] in ['s', 'e']:                results += sens[x] + '/'            else:                results += sens[x]            return results[:-1]print(cut_words('中国共产党第十九次全国代表大会,是在全面建成小康社会决胜阶段、中国特色社会主义进入新时代的关键时期召开的一次十分重要的大会。'))print(cut_words('把这本书推荐给,具有一定编程基础,希望了解数据分析、人工智能等知识领域,进一步提升个人技术能力的社会各界人士。'))print(cut_words('结婚的和尚未结婚的。'))复制代码FCN全卷积网络(Fully Convolutional Networks,FCN)的好处是,输入数据的shape是可变的
尤其适合输入长度不定,但输入和输出长度相等的任务,例如序列标注
  • 图像:四维tensor,NHWC,即样本数量、高度、宽度、通道数。用conv2d,卷的是中间的两个维度,即高度和宽度
  • 文本序列:三维tensor,NTE,即样本数量、序列长度、词向量维度。用conv1d,卷的是中间的一个维度,即序列长度。和N-gram类似,词向量维度对应通道数
使用TensorFlow实现FCN,通过卷积核大小为3的conv1d降低通道数,从词向量维度降到序列标注类别数,此处为SBME共四类
加载库
# -*- coding: utf-8 -*-import tensorflow as tfimport numpy as npimport reimport time复制代码准备字典
# 读取字典vocab = open('data/msr/msr_training_words.utf8').read().rstrip('\n').split('\n')vocab = list(''.join(vocab))stat = {}for v in vocab:    stat[v] = stat.get(v, 0) + 1stat = sorted(stat.items(), key=lambda x:x[1], reverse=True)vocab = [s[0] for s in stat]# 5167 个字print(len(vocab))# 映射char2id = {c : i + 1 for i, c in enumerate(vocab)}id2char = {i + 1 : c for i, c in enumerate(vocab)}tags = {'s': [1, 0, 0, 0], 'b': [0, 1, 0, 0], 'm': [0, 0, 1, 0], 'e': [0, 0, 0, 1]}复制代码定义一个加载数据并返回批数据的函数
batch_size = 64def load_data(path):    data = open(path).read().rstrip('\n')    # 按标点符号和换行符分隔    data = re.split('[,。!?、\n]', data)        # 准备数据    X_data = []    Y_data = []        for sentence in data:        sentence = sentence.split(' ')        X = []        Y = []                try:            for s in sentence:                s = s.strip()                # 跳过空字符                if len(s) == 0:                    continue                # s                elif len(s) == 1:                    X.append(char2id)                    Y.append(tags['s'])                elif len(s) > 1:                    # b                    X.append(char2id[s[0]])                    Y.append(tags['b'])                    # m                    for i in range(1, len(s) - 1):                        X.append(char2id[s])                        Y.append(tags['m'])                    # e                    X.append(char2id[s[-1]])                    Y.append(tags['e'])        except:            continue        else:            if len(X) > 0:                X_data.append(X)                Y_data.append(Y)        order = np.argsort([len(X) for X in X_data])    X_data = [X_data for i in order]    Y_data = [Y_data for i in order]        current_length = len(X_data[0])    X_batch = []    Y_batch = []    for i in range(len(X_data)):        if len(X_data) != current_length or len(X_batch) == batch_size:            yield np.array(X_batch), np.array(Y_batch)                        current_length = len(X_data)            X_batch = []            Y_batch = []                    X_batch.append(X_data)        Y_batch.append(Y_data)复制代码定义模型
embedding_size = 128embeddings = tf.Variable(tf.random_uniform([len(char2id) + 1, embedding_size], -1.0, 1.0))X_input = tf.placeholder(dtype=tf.int32, shape=[None, None], name='X_input')embedded = tf.nn.embedding_lookup(embeddings, X_input)W_conv1 = tf.Variable(tf.random_uniform([3, embedding_size, embedding_size // 2], -1.0, 1.0))b_conv1 = tf.Variable(tf.random_uniform([embedding_size // 2], -1.0, 1.0))Y_conv1 = tf.nn.relu(tf.nn.conv1d(embedded, W_conv1, stride=1, padding='SAME') + b_conv1)W_conv2 = tf.Variable(tf.random_uniform([3, embedding_size // 2, embedding_size // 4], -1.0, 1.0))b_conv2 = tf.Variable(tf.random_uniform([embedding_size // 4], -1.0, 1.0))Y_conv2 = tf.nn.relu(tf.nn.conv1d(Y_conv1, W_conv2, stride=1, padding='SAME') + b_conv2)W_conv3 = tf.Variable(tf.random_uniform([3, embedding_size // 4, 4], -1.0, 1.0))b_conv3 = tf.Variable(tf.random_uniform([4], -1.0, 1.0))Y_pred = tf.nn.softmax(tf.nn.conv1d(Y_conv2, W_conv3, stride=1, padding='SAME') + b_conv3, name='Y_pred')Y_true = tf.placeholder(dtype=tf.float32, shape=[None, None, 4], name='Y_true')cross_entropy = tf.reduce_mean(-tf.reduce_sum(Y_true * tf.log(Y_pred + 1e-20), axis=[2]))optimizer = tf.train.AdamOptimizer().minimize(cross_entropy)correct_prediction = tf.equal(tf.argmax(Y_pred, 2), tf.argmax(Y_true, 2))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))复制代码训练模型并保存
saver = tf.train.Saver()max_test_acc = -np.infepochs = 50sess = tf.Session()sess.run(tf.global_variables_initializer())for e in range(epochs):    train = load_data('data/msr/msr_training.utf8')    accs = []    i = 0    t0 = int(time.time())    for X_batch, Y_batch in train:        sess.run(optimizer, feed_dict={X_input: X_batch, Y_true: Y_batch})        i += 1        if i % 100 == 0:            acc = sess.run(accuracy, feed_dict={X_input: X_batch, Y_true: Y_batch})            accs.append(acc)    print('Epoch %d time %ds' % (e + 1, int(time.time()) - t0))    print('- train accuracy: %f' % (np.mean(accs)))    test = load_data('data/msr/msr_test_gold.utf8')    accs = []    for X_batch, Y_batch in test:        acc = sess.run(accuracy, feed_dict={X_input: X_batch, Y_true: Y_batch})        accs.append(acc)    mean_test_acc = np.mean(accs)    print('- test accuracy: %f' % mean_test_acc)    if mean_test_acc > max_test_acc:        max_test_acc = mean_test_acc        print('Saving Model......')        saver.save(sess, './msr_fcn/msr_fcn')复制代码定义viterbi函数
def viterbi(nodes):    trans = {'be': 0.5, 'bm': 0.5, 'eb': 0.5, 'es': 0.5, 'me': 0.5, 'mm': 0.5, 'sb': 0.5, 'ss': 0.5}    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 trans.keys():                    nows[j + i] = paths_[j] + nodes[l] + trans[j[-1] + i]            nows = sorted(nows.items(), key=lambda x: x[1], reverse=True)            paths[nows[0][0]] = nows[0][1]        paths = sorted(paths.items(), key=lambda x: x[1], reverse=True)    return paths[0][0]复制代码定义分词函数
def cut_words(data):    data = re.split('[,。!?、\n]', data)    sens = []    Xs = []    for sentence in data:        sen = []        X = []        sentence = list(sentence)        for s in sentence:            s = s.strip()            if not s == '' and s in char2id:                sen.append(s)                X.append(char2id)                if len(X) > 0:            Xs.append(X)            sens.append(sen)        results = ''    for i in range(len(Xs)):        X_d = np.array([Xs])        Y_d = sess.run(Y_pred, feed_dict={X_input: X_d})        nodes = [dict(zip(['s', 'b', 'm', 'e'], d)) for d in Y_d[0]]        ts = viterbi(nodes)        for x in range(len(sens)):            if ts[x] in ['s', 'e']:                results += sens[x] + '/'            else:                results += sens[x]        return results[:-1]复制代码调用分词函数并测试
print(cut_words('中国共产党第十九次全国代表大会,是在全面建成小康社会决胜阶段、中国特色社会主义进入新时代的关键时期召开的一次十分重要的大会。'))print(cut_words('把这本书推荐给,具有一定编程基础,希望了解数据分析、人工智能等知识领域,进一步提升个人技术能力的社会各界人士。'))print(cut_words('结婚的和尚未结婚的。'))复制代码由于GPU对CNN的加速效果显著,在GPU上每轮训练仅耗时20秒左右,共训练50轮,训练集准确率99.01%,测试集准确率92.26%
再来一个代码,使用训练好的模型进行分词
# -*- coding: utf-8 -*-import tensorflow as tfimport numpy as npimport reimport time# 读取字典vocab = open('data/msr/msr_training_words.utf8').read().rstrip('\n').split('\n')vocab = list(''.join(vocab))stat = {}for v in vocab:    stat[v] = stat.get(v, 0) + 1stat = sorted(stat.items(), key=lambda x:x[1], reverse=True)vocab = [s[0] for s in stat]# 5167 个字print(len(vocab))# 映射char2id = {c : i + 1 for i, c in enumerate(vocab)}id2char = {i + 1 : c for i, c in enumerate(vocab)}tags = {'s': [1, 0, 0, 0], 'b': [0, 1, 0, 0], 'm': [0, 0, 1, 0], 'e': [0, 0, 0, 1]}sess = tf.Session()sess.run(tf.global_variables_initializer())saver = tf.train.import_meta_graph('./msr_fcn/msr_fcn.meta')saver.restore(sess, tf.train.latest_checkpoint('./msr_fcn'))graph = tf.get_default_graph()X_input = graph.get_tensor_by_name('X_input:0')Y_pred = graph.get_tensor_by_name('Y_pred:0')def viterbi(nodes):    trans = {'be': 0.5, 'bm': 0.5, 'eb': 0.5, 'es': 0.5, 'me': 0.5, 'mm': 0.5, 'sb': 0.5, 'ss': 0.5}    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 trans.keys():                    nows[j + i] = paths_[j] + nodes[l] + trans[j[-1] + i]            nows = sorted(nows.items(), key=lambda x: x[1], reverse=True)            paths[nows[0][0]] = nows[0][1]        paths = sorted(paths.items(), key=lambda x: x[1], reverse=True)    return paths[0][0]def cut_words(data):    data = re.split('[,。!?、\n]', data)    sens = []    Xs = []    for sentence in data:        sen = []        X = []        sentence = list(sentence)        for s in sentence:            s = s.strip()            if not s == '' and s in char2id:                sen.append(s)                X.append(char2id)                if len(X) > 0:            Xs.append(X)            sens.append(sen)        results = ''    for i in range(len(Xs)):        X_d = np.array([Xs])        Y_d = sess.run(Y_pred, feed_dict={X_input: X_d})        nodes = [dict(zip(['s', 'b', 'm', 'e'], d)) for d in Y_d[0]]        ts = viterbi(nodes)        for x in range(len(sens)):            if ts[x] in ['s', 'e']:                results += sens[x] + '/'            else:                results += sens[x]        return results[:-1]print(cut_words('中国共产党第十九次全国代表大会,是在全面建成小康社会决胜阶段、中国特色社会主义进入新时代的关键时期召开的一次十分重要的大会。'))print(cut_words('把这本书推荐给,具有一定编程基础,希望了解数据分析、人工智能等知识领域,进一步提升个人技术能力的社会各界人士。'))print(cut_words('结婚的和尚未结婚的。'))复制代码其他进一步改进可以从三个方面进行考虑
  • 修改网络结构
  • 调参
  • 完善功能,例如对标点符号的处理
参考


链接:https://juejin.im/post/5ba2ff3a5188255c672ea8e5



2 个回复

倒序浏览
奈斯
回复 使用道具 举报
回复 使用道具 举报
您需要登录后才可以回帖 登录 | 加入黑马