LSTM 句子相似度分析

Posted lijianming180

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了LSTM 句子相似度分析相关的知识,希望对你有一定的参考价值。

技术图片

使用句子中出现单词的Vector加权平均进行文本相似度分析虽然简单,但也有比较明显的缺点:没有考虑词序且词向量区别不明确。如下面两个句子:

  • “北京的首都是中国”与“中国的首都是北京”的相似度为1。
  • “学习容易”和“学习困难”的相似度很容易也非常高。 为解决这类问题,需要用其他方法对句子进行表示,LSTM是常用的一种方式,本文简单使用单层LSTM对句子重新表示,并通过若干全连接层对句子相似度进行衡量。
数据准备

训练和测试数据包括两个待比较句子以及其相似度(0-1):
技术图片
测试数据格式相似。

语料编码

自然语言无法直接作为神经网络输入,需进行编码该部分包括以下步骤:

  • 读人训练和测试数据,分词,并给每个词编号。
  • 根据词编号,进一步生成每个句子的编号向量,句子采用固定长度,不足的位置补零。
  • 保存词编号到文件,保存词向量矩阵方便预测使用。

中文分词使用jieba分词工具,词的编号则使用Keras的Tokenizer:

1
2
3
4
5
6
7
8
print("Fit tokenizer...")
tokenizer = Tokenizer(num_words=MAX_NB_WORDS, lower=False)
tokenizer.fit_on_texts(texts_1 + texts_2 + test_texts_1 + test_texts_2)
if save:
print("Save tokenizer...")
if not os.path.exists(save_path):
os.makedirs(save_path)
cPickle.dump(tokenizer, open(os.path.join(save_path, tokenizer_name), "wb"))

其中texts_1 、texts_2 、test_texts_1 、 test_texts_2的元素分别为训练数据和测试数据的分词后的列表,如:

1
["我", "是", "谁"]

经过上面的过程 tokenizer保存了语料中出现过的词的编号映射。

1
2
> print tokenizer.word_index
{"我": 2, "是":1, "谁":3}

利用tokenizer对语料中的句子进行编号

1
2
3
> sequences_1 = tokenizer.texts_to_sequences(texts_1)
> print sequences_1
[[2 1 3], ...]

最终生成固定长度(假设为10)的句子编号列表

1
2
3
> data_1 = pad_sequences(sequences_1, maxlen=MAX_SEQUENCE_LENGTH)
> print data_1
[[0 0 0 0 0 0 0 2 1 3], ...]

data_1即可作为神经网络的输入。

词向量映射

在对句子进行编码后,需要准备句子中词的词向量映射作为LSTM层的输入。这里使用预训练的词向量(这里)参数,生成词向量映射矩阵:

1
2
3
4
5
6
word2vec = Word2Vec.load(EMBEDDING_FILE)
embedding_matrix = np.zeros((nb_words, EMBEDDING_DIM))
for word, i in word_index.items():
if word in word2vec.wv.vocab:
embedding_matrix[i] = word2vec.wv.word_vec(word)
np.save(embedding_matrix_path, embedding_matrix)

网络结构

该神经网络采用简单的单层LSTM+全连接层对数据进行训练,网络结构图:
技术图片
网络由Keras实现:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32 大专栏  LSTM 句子相似度分析
def ():
embedding_layer = Embedding(nb_words,
EMBEDDING_DIM,
weights=[embedding_matrix],
input_length=MAX_SEQUENCE_LENGTH,
trainable=False)
lstm_layer = LSTM(num_lstm, dropout=rate_drop_lstm, recurrent_dropout=rate_drop_lstm)

sequence_1_input = Input(shape=(MAX_SEQUENCE_LENGTH,), dtype='int32')
embedded_sequences_1 = embedding_layer(sequence_1_input)
y1 = lstm_layer(embedded_sequences_1)

sequence_2_input = Input(shape=(MAX_SEQUENCE_LENGTH,), dtype='int32')
embedded_sequences_2 = embedding_layer(sequence_2_input)
y2 = lstm_layer(embedded_sequences_2)

merged = concatenate([y1, y2])
merged = Dropout(rate_drop_dense)(merged)
merged = BatchNormalization()(merged)

merged = Dense(num_dense, activation=act)(merged)
merged = Dropout(rate_drop_dense)(merged)
merged = BatchNormalization()(merged)
preds = Dense(1, activation='sigmoid')(merged)

model = Model(inputs=[sequence_1_input, sequence_2_input],
outputs=preds)
model.compile(loss='binary_crossentropy',
optimizer='nadam',
metrics=['acc'])
model.summary()
return model

该部分首先定义embedding_layer作为输入层和LSTM层的映射层,将输入的句子编码映射为词向量列表作为LSTM层的输入。两个LSTM的输出拼接后作为全连接层的输入,经过Dropout和BatchNormalization正则化,最终输出结果进行训练。

训练与预测

训练采用nAdam以及EarlyStopping,保存训练过程中验证集上效果最好的参数。最终对测试集进行预测。

1
2
3
4
5
6
7
8
9
10
11
model = get_model()
early_stopping = EarlyStopping(monitor='val_loss', patience=3)
bst_model_path = STAMP + '.h5'
model_checkpoint = ModelCheckpoint(bst_model_path, save_best_only=True, save_weights_only=True)

hist = model.fit([data_1, data_2], labels,
validation_data=([val_1, val_2], labels),
epochs=100, batch_size=10, shuffle=True, callbacks=[early_stopping, model_checkpoint])
predicts = model.predict([data_1, data_2], batch_size=10, verbose=1)
for i in range(len(test_ids)):
print "t1: %s, t2: %s, score: %s" % (test_1[i], test_2[i], predicts[i])

小结

该网络在Kaggle Quora数据集val验证可达到80%左右的准确率,应用于中文,由于数据集有限,产生了较大的过拟合。此外在Tokenizer.fit_on_texts应用于中文时,不支持Unicode编码,可以对其源码方法进行重写,加入Ascii字符和Unicode的转换。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
'''
this part is solve keras.preprocessing.text can not process unicode
'''
def text_to_word_sequence(text,
filters='!"#$%&()*+,-./:;<=>?@[]^_`{|}~tn',
lower=True, split=" "):
if lower: text = text.lower()
if type(text) == unicode:
translate_table = {ord(c): ord(t) for c, t in zip(filters, split * len(filters))}
else:
translate_table = keras.maketrans(filters, split * len(filters))
text = text.translate(translate_table)
seq = text.split(split)
return [i for i in seq if i]

keras.preprocessing.text.text_to_word_sequence = text_to_word_sequence

项目源码https://github.com/zqhZY/semanaly/

更多关注公众号:
技术图片

以上是关于LSTM 句子相似度分析的主要内容,如果未能解决你的问题,请参考以下文章

使用 keras 的句子相似度

读:Instance-aware Image and Sentence Matching with Selective Multimodal LSTM

DSSM:深度语义匹配模型(及其变体CLSMLSTM-DSSM)

fasttext 预训练句子相似度

用于 Keras 中句子相似性的具有 LSTM 的连体网络定期给出相同的结果

给定单词相似度推断句子相似度