如何搭建NLP經(jīng)典模型（含代碼）

之前整理過齋藤康毅的深度學習神作《深度學習入門：基于Python的理論與實現(xiàn)》，對小白非常友好，它沒有用任何的現(xiàn)成框架（比如pyTorch、tensorFlow等等），而是直接用python自帶的庫手把手教你，從如何實現(xiàn)梯度下降開始到手磕一個CNN經(jīng)典網(wǎng)絡，讓你不再對深度學習框架的內(nèi)部機制感到神秘。

短短幾年，這位大佬再度出了“續(xù)集”—《深度學習進階：自然語言處理》［1］?。梢哉f是NLP入門必讀的經(jīng)典著作了?。?/p>

小齋這次的寫作風格和前作一樣，都是手把手教你從實現(xiàn)詞向量開始，像搭積木一樣，再到如何實現(xiàn)經(jīng)典網(wǎng)絡NLP屆的界的經(jīng)典網(wǎng)絡RNN、LSTM、seq2seq和Attention等NLP中重要的深度學習技術。

（太感人了，這次終于要搞懂詞向量究竟是個什么鬼了?。ㄌ?/p>

凡我不能創(chuàng)造的，我就不能理解。

— 理查德·費曼（致敬費曼）

話不多說，這次我不再整理的和上個系列一樣那么詳細（繁冗）了（個人覺得沒必要，那樣整理還不如直接看書來的直接痛快。所以這一次我會摘取基礎又重要的部分，如果你想再詳細深究下去，乖，去參考原書噢！

本書用到的庫：

Numpy

Matplotlib

（真的是只用了這兩個基本庫?。◤?/p>

如果要用GPU加速運算的話，再加一個CuPy庫。

作者強調(diào)，自己動手的經(jīng)驗、花時間思考的經(jīng)驗，都是無法復制的。（所以，聽話，要自己嘗試敲1敲代碼噢！

本書第一章為上一本書神經(jīng)網(wǎng)絡的復習，咱直接跳到第二章 從詞向量開始

正文開始

目錄

什么是自然語言處理？

同義詞詞典

基于計數(shù)的方法

基于計數(shù)的方法改進

必做練習

• 語料庫的預處理。實現(xiàn)分詞（將文本分割成單詞，以單詞為最小單元輸入給模型）

• 單詞ID化（將單詞用ID來表示，相當于給每一個單詞編個代號，和我們學生編個學號一個意思，方便定位和管理唄）

• 利用共現(xiàn)矩陣表示文本的詞向量。

（這些練習會在后續(xù)搭建模型的時候用得到噢！相當于我們先造積木，之后搭網(wǎng)絡就有素材啦！本章的詞向量表示也就是對文本進行預處理的準備工作！）

注意：全文的講解都是以

（存在一個問題 —> 找到解決辦法 —> 新的解決辦法又有什么問題 —> 又找到解決辦法 ）的思路一步一步引出各種概念和解決方案的。

我們的學習過程也是如此，市面上突然出現(xiàn)的各種模型也是如此，了解它解決了什么問題也就知道亂七八糟的各種模型為什么會出現(xiàn)了。

什么是自然語言處理？

• 自然語言：就是我們平常使用的語言，如漢語、英語；

• 自然語言處理：就是讓機器理解人類的語言，理解了人類語言才能對我們的語言進行進一步解讀和分析?。ū热鐚θ祟惖那楦羞M行分析、對文本進行分類、能夠?qū)崿F(xiàn)人機對話等等）

在沒有深度學習的時候，專家們是這樣進行詞向量的表示的：

同義詞詞典

最著名的同義詞詞典當屬WordNet [2]啦。WordNet等同義詞詞典中對大量單詞人工的定義了同義詞和層級結(jié)構(gòu)關系等。

同義詞詞典存在的問題

• 難以順應時代的變化。語言是活的，新詞會不斷出現(xiàn)。

• 人力成本高，WordNet收錄了超過20W個單詞。

• 無法表示單詞的微妙差異。即使是含義相近的單詞，也有細微的差別。比如，vintage 和retro（類似復古的意思）雖然表示相同的含義，但是用法不同，而這種細微的差別在同義詞詞典中是無法表示出來的(讓人來解釋是相當困難的)。

Marty:“This is heavy (棘手).”

Dr. Brown:“In the future, things are so heavy (重)?”

— 電影《回到未來》

在電影《回到未來》中，有這樣一個場景：從1985 年穿越回來的馬蒂和生活在1955年的的博士的對話中，對“heavy”的含義有不同的理解。如果要處理這樣的單詞變化，就需要人工不停地更新同義詞詞典。

基于計數(shù)的方法（基于統(tǒng)計）

目標：從海量文本數(shù)據(jù)中自動提取單詞含義，減少人為干擾。

• 語料庫（corpus）：就是我們輸入模型的大量文本，比如句子、文章等等。

這里將用一句話作為語料庫來闡述接下來的所有概念。

>>> text = 'you say goodbye and I say hello.'

語料庫的預處理

1、進行句子的分詞，并標記每個單詞的ID。（就像給每個學生編上學號ID一樣，方便后續(xù)指定某一個學生呀?。?/span>

>>>text=text.lower()//將所有單詞轉(zhuǎn)化為小寫>>>text=text.replace('.','.')//使句號其和前一個單詞分開>>>text'yousaygoodbyeandisayhello.'>>>words=text.split('')//切分句子>>>words['you', 'say', 'goodbye', 'and', 'i', 'say', 'hello', '.'] //由八個詞組成的數(shù)組

首先，使用lower()方法將所有單詞轉(zhuǎn)化為小寫，這樣可以將句子開頭的單詞也作為常規(guī)單詞處理。然后，將空格作為分隔符，通過split(' ')切分句子?？紤]到句子結(jié)尾處的句號(.),我們先在句號前插人一個空格(即用 ' .'替換'.'),再進行分詞。

2、我們進一步給單詞標上 ID,以便使用單詞 ID 列表，方便為后續(xù)對每個單詞進行操作。

將單詞列表轉(zhuǎn)化為單詞 ID 列表,然后再將其轉(zhuǎn)化為 NumPy 數(shù)組。

word_to_id={}//將單詞轉(zhuǎn)化為單詞IDid_to_word={}//將單詞ID轉(zhuǎn)化為單詞(鍵是單詞ID,值是單詞)forwordinwords:  ifwordnotinword_to_id:  //如果單詞不在word_to_id中,則分別向word_to_id和id_to_word添加新ID和單詞    new_id=len(word_to_id)    word_to_id[word]=new_id    id_to_word[new_id] = word
corpus = np.array([word_to_id[w] for w in words])

如果單詞不在 word_to_id 中,則分別向 word_to_id 和id_to_word 添加新 ID 和單詞

如下為創(chuàng)建好了單詞 ID 和單詞的對應表

>>>id_to_word{0:'you',1:'say',2:'goodbye',3:'and',4:'i',5:'hello',6:'.'}>>>word_to_id{'you': 0, 'say': 1, 'goodbye': 2, 'and': 3, 'i': 4, 'hello': 5, '.': 6}

最后,我們將單詞列表轉(zhuǎn)化為單詞 ID 列表,然后再將其轉(zhuǎn)化為 NumPy 數(shù)組。

>>>corpusarray([0, 1, 2, 3, 4, 1, 5, 6])

將第一步和第二步封裝為一個preprocess() 函數(shù)，使用這個函數(shù),可以按如下方式對語料庫進行預處理。( 代碼在common/util.py)

輸入要處理的語料庫text，輸出corpus, word_to_id, id_to_word

>>> text = 'You say goodbye and I say hello.'>>>corpus,word_to_id,id_to_word=preprocess(text)

corpus 是單詞ID 列表,word_to_id 是單詞到單詞 ID 的字典,id_to_word 是單詞 ID 到單詞的字典。

語料庫的預處理已完成。這里準備的 corpus、word_to_id 和 id_to_word 這 3 個變量名在本書接下來的很多地方都會用到。

接下來的目標就是使用語料庫提取單詞含義，這里先使用基于計數(shù)的方法，也就是基于統(tǒng)計的方法，能夠得到詞向量！（也就是將單詞表示為向量）

分布式假說（distributional hypothesis)

• 分布式假說（distributional hypothesis)：某個單詞的含義由它周圍的單詞形成。（某個人存在的價值由它的社會屬性構(gòu)成?！蚁拐f的）

單詞本身沒有含義,單詞含義由它所在的上下文(語境)形成。

比如“I drink beer.” “We drink wine.” , drink 的附近常有飲料出現(xiàn)。

另外,從“I guzzle beer.” “We guzzle wine.”可知,guzzle 和 drink 所在的語境相似。進而我們可以推測出guzzle 和 drink 是近義詞(guzzle 是“大口喝”的意思) 。

基于這一假說，我們就可以通過單詞的上下文來表示該單詞。如圖，左側(cè)和右側(cè)的 2 個單詞就是上下文。

這里的窗口大小可以控制你需要關心多少單詞的上下文。顯而易見，關心的上下文單詞數(shù)越多，單詞的含義越準確，但是所需要的存儲量就越大，看你自己的取舍咯！這里簡單起見，窗口大小為1。

如何基于分布式假設使用向量表示單詞,最直截了當?shù)膶崿F(xiàn)方法是對周圍單詞的數(shù)量進行計數(shù)。

共現(xiàn)矩陣（co-occurrence matrix)

• 共現(xiàn)矩陣（co-occurrence matrix)：用上下文共同出現(xiàn)的單詞次數(shù)作為該單詞的向量。即若兩個單詞挨著出現(xiàn)一次，次數(shù)加一。

上面已經(jīng)處理好語料庫了，接下來構(gòu)建共現(xiàn)矩陣，也就是計算每個單詞的上下文所包含的單詞的頻數(shù)。在這個例子中,我們將窗口大小設為 1,從單詞 ID 為 0 的 you 開始。

單詞 you 的上下文僅有 say 這個單詞，如下圖所示。

所以單詞you可表示為：

即可以用向量 [0, 1, 0, 0, 0, 0, 0] 表示單詞 you。其他單詞也是重復如此操作。

于是得到了共現(xiàn)矩陣：

接下來,我們來實際創(chuàng)建一下上面的共現(xiàn)矩陣。

將圖 2-7 的結(jié)果按原樣手動輸入。

C=np.array([  [0,1,0,0,0,0,0],  [1,0,1,0,1,1,0],  [0,1,0,1,0,0,0],  [0,0,1,0,1,0,0],  [0,1,0,1,0,0,0],  [0,1,0,0,0,0,1],  [0, 0, 0, 0, 0, 1, 0], ], dtype=np.int32)

這就是共現(xiàn)矩陣。使用這個共現(xiàn)矩陣,可以獲得各個單詞的向量,如下所示。

print(C[0])#單詞ID為0的向量#[0100000]print(C[4])#單詞ID為4的向量#[0101000]print(C[word_to_id['goodbye']])#goodbye的向量# [0 1 0 1 0 0 0]

我們通過共現(xiàn)矩陣成功地用向量表示了單詞。但手動輸入共現(xiàn)矩陣太麻煩,這一操作顯然可以自動化。下面,我們來實現(xiàn)一個能直接從語料庫生成共現(xiàn)矩陣的函數(shù)。

通過函數(shù)create_co_matrix()能直接從語料庫生成共現(xiàn)矩陣。（代碼實現(xiàn)在common/util.py）

其中參數(shù) corpus 是單詞 ID 列表,參數(shù) vocab_ size 是詞匯個數(shù),window_size 是窗口大小。

defcreate_co_matrix(corpus,vocab_size,window_size=1):  corpus_size=len(corpus)  co_matrix = np.zeros((vocab_size, vocab_size), dtype=np.int32)
  foridx,word_idinenumerate(corpus):foriinrange(1,window_size+1):  left_idx=idx-i  right_idx=idx+i  ifleft_idx>=0:  left_word_id=corpus[left_idx]  co_matrix[word_id,left_word_id]+=1
  ifright_idx  right_word_id=corpus[right_idx]  co_matrix[word_id,right_word_id]+=1
  return co_matrix

首先,用元素為 0 的二維數(shù)組對 co_matrix 進行初始化。然后,針對語料庫中的每一個單詞,計算它的窗口中包含的單詞。同時,檢查窗口內(nèi)的單詞是否超出了語料庫的左端和右端。

這樣一來,無論語料庫多大,都可以自動生成共現(xiàn)矩陣。之后,我們都將使用這個函數(shù)生成共現(xiàn)矩陣。

到這里我們終于第一次成功的用向量表示單詞啦！將正式邁入文本詞向量表示的道路！

寫到這發(fā)現(xiàn)篇幅太長了，為了能有更好的學習體驗，接下來共現(xiàn)矩陣存在的問題以及改進方式就下一篇再見啦！