开源项目kcws代码分析--基于深度学习的分词技术

http://blog.csdn.net/pirage/article/details/53424544

 

分词原理

本小节内容参考待字闺中的两篇博文：

1. 97.5%准确率的深度学习中文分词（字嵌入+Bi-LSTM+CRF）
2. 如何深度理解Koth的深度分词？

简单的说，kcws的分词原理就是：

1. 对语料进行处理，使用word2vec对语料的字进行嵌入，每个字特征为50维。
2. 得到字嵌入后，用字嵌入特征喂给双向LSTM， 对输出的隐层加一个线性层，然后加一个CRF就得到本文实现的模型。
3. 于最优化方法，文本语言模型类的貌似Adam效果更好， 对于分类之类的，貌似AdaDelta效果更好。

另外，字符嵌入的表示可以是纯预训练的，但也可以在训练模型的时候再fine-tune,一般而言后者效果更好。对于fine-tune的情形，可以在字符嵌入后，输入双向LSTM之前加入dropout进一步提升模型效果。

具体的解决方案，基于双向LSTM与CRF的神经网络结构：

如上图所示，单层圆圈代表的word embedding输入层，菱形代表学习输入的决定性方程，双层圆圈代表随机变量。信息流将输入层的word embedding送到双向LSTM， l(i)代表word(i)和从左边传入的历史信号，r(i)代表word(i)以及从右边传入的未来的信号，用c(i)连接这两个向量的信息，代表词word(i)。

先说Bi-LSTM这个双向模型，LSTM的变种有很多，基本流程都是一样的，文献中同样采用上一节说明的三个门，控制送入memory cell的输入信息，以及遗忘之前阶段信息的比例，再对细胞状态进行更新，最后用tanh方程对更新后的细胞状态再做处理，与sigmoid叠加相乘作为最终输出。具体的模型公式见下图，经过上一节的解释，这些符号应该不太陌生了。

双向LSTM说白了，就是先从左至右，顺序学习输入词序列的历史信息，再从右至左，学习输入词序列未来影响现在的信息，结合这两种方式的最终表示有效地描述了词的内容，在多种标注应用上取得了好效果。

如果说双向LSTM并不特殊，这个结构中另一个新的尝试，就是将深度神经网络最后学出来的结果，作为特征，用CRF模型连接起来，用P来表示双向LSTM神经网络学习出来的打分输出矩阵，它是一个 nxk 的矩阵，n是输入词序列个数，k是标记类型的数目， P(ij)指的是在一个输入句子中，第i个词在第j个tag标记上的可能性（打分）。另外一个特征函数是状态转移矩阵 A，A(ij) 代表从tag i转移到tag j的可能性（打分），但这个转移矩阵实际上有k+2维，其中包括句子的开始和结束两个状态，用公式表示如下图：

 

s(X,y)=∑i=0nAyi,yi+1+∑i=1nPi,yi

 

在给定输入序列X，最终定义的输出y序列的概率，则使用softmax函数表示如下：

 

p(y|X)=es(X,y)∑y˘∈YXes(X,y˘)

 

而在训练学习目标函数的时候，要优化的就是下面这个预测输出标记序列的log概率，其中 Y(X)代表的是所有可能的tag标记序列集合，那么最后学习得到的输出，就是概率最大的那个标记序列。如果只是模拟输出的bigram交互影响方式，采用动态规划即可求解下列方程。

 

log(p(y|X))=s(X,y)−log(∑y˘∈YXes(X,y˘))

 

=s(X,y)−logaddy˘∈YXs(X,y˘)

y∗=argmaxy˘∈YXs(X,y˘)

 

至此，基于双向LSTM与CRF的神经网络结构已经介绍完毕，文献中介绍的是在命名实体识别方面的一个实践应用，这个思路同样可以用在分词上。具体的实践和调参，也得应场景而异，Koth在上一篇博客中已经给出了自己的践行，读者们可以借鉴参考。

代码结构与实践

koth大神开源的项目地址为：https://github.com/koth/kcws

主要的代码在目录kcws/kcws/train路径下。（写这篇文章的时候发现K大神做了更新，我主要还是分析之前的代码）

• process_anno_file.py 将人民网2014训练语料进行单字切割，包括标点符号
• generate_training.py 生成单字的vector之后，处理每篇训练语料，以“。”划分为句子，对每个句子，如果长度大于MAX_LEN(默认设置为80，在代码里改)，不处理，Long lines加一，如果长度小于MAX_LEN，则生成长度为160的vector，前80为单字在字典中的index，不足80的补0，后80为每个字对应的SBME标记（S表示单字，B表示开始，M表示中间，E表示结尾）。
• filter_sentence.py 将语料切分为训练集和测试集，作者将含有两个字以下的句子过滤掉，剩下的按照二八分，测试集最多8000篇。
• train_cws_lstm.py 主要训练代码。

作者在项目主页上很详细的写了构建和训练的步骤，按照这些步骤来实践一下不算难，我主要遇到了以下几个问题：

1. 之前安装tensorflow的时候没有用bazel，不了解bazel的工作方式和原理，但是这个项目必须要用，因为需要用到third_party中word2vec的类。（可以将word2vec的某些类构建为python可以import的类？）
2. 已安装的0.8.0版本的tensorflow没有实现crf，需要升级。
3. 安装tensorflow 0.11.0版本后运行，出现PyUnicodeUCS4_AsUTF8String的错误，查找后发现是当前安装的python默认是unicode=ucs2，需要重新编译安装python。编译的时候设置./configure –enable-unicode=ucs4 。
4. numpy，scipy都需要重新build，setup。

主要代码分析

def main(unused_argv):
    curdir = os.path.dirname(os.path.realpath(__file__))
    trainDataPath = tf.app.flags.FLAGS.train_data_path
    if not trainDataPath.startswith("/"):
        trainDataPath = curdir + "/" + trainDataPath
    graph = tf.Graph()
    with graph.as_default():
        model = Model(FLAGS.embedding_size, FLAGS.num_tags,
                  FLAGS.word2vec_path, FLAGS.num_hidden)
        print("train data path:", trainDataPath)
        # 读取训练集batch大小的feature和label，各为80大小的数组
        X, Y = inputs(trainDataPath)  
        # 读取测试集所有数据的feature和label，各为80大小的数组
        tX, tY = do_load_data(tf.app.flags.FLAGS.test_data_path) 
        # 计算训练集的损失
        total_loss = model.loss(X, Y)  
        # 使用AdamOptimizer优化方法
        train_op = train(total_loss)  
        # 在测试集上做评测
        test_unary_score, test_sequence_length = model.test_unary_score() 
        # 创建Supervisor管理模型的分布式训练
        sv = tf.train.Supervisor(graph=graph, logdir=FLAGS.log_dir) 
        with sv.managed_session(master='') as sess:
            # actual training loop
            training_steps = FLAGS.train_steps
            for step in range(training_steps):
                if sv.should_stop():
                    break
                try:
                    _, trainsMatrix = sess.run(
                    [train_op, model.transition_params])
                    # for debugging and learning purposes, see how the loss gets decremented thru training steps
                    if step % 100 == 0:
                        print("[%d] loss: [%r]" % (step, sess.run(total_loss)))
                    if step % 1000 == 0:
                        test_evaluate(sess, test_unary_score,
                                  test_sequence_length, trainsMatrix,
                                  model.inp, tX, tY)
                except KeyboardInterrupt, e:
                    sv.saver.save(sess,
                              FLAGS.log_dir + '/model',
                              global_step=step + 1)
                    raise e
            sv.saver.save(sess, FLAGS.log_dir + '/finnal-model')
            sess.close()

1

 

Class Model：

def __init__(self, embeddingSize, distinctTagNum, c2vPath, numHidden):
    self.embeddingSize = embeddingSize
    self.distinctTagNum = distinctTagNum
    self.numHidden = numHidden
    self.c2v = self.load_w2v(c2vPath)
    self.words = tf.Variable(self.c2v, name="words")
    with tf.variable_scope('Softmax') as scope:
        self.W = tf.get_variable(
            shape=[numHidden * 2, distinctTagNum],
            initializer=tf.truncated_normal_initializer(stddev=0.01),
            name="weights",
            regularizer=tf.contrib.layers.l2_regularizer(0.001))
        self.b = tf.Variable(tf.zeros([distinctTagNum], name="bias"))
    self.trains_params = None
    self.inp = tf.placeholder(tf.int32,
                              shape=[None, FLAGS.max_sentence_len],
                              name="input_placeholder")
    pass

def length(self, data):
    used = tf.sign(tf.reduce_max(tf.abs(data), reduction_indices=2))
    length = tf.reduce_sum(used, reduction_indices=1)
    length = tf.cast(length, tf.int32)
    return length

def inference(self, X, reuse=None, trainMode=True):
    word_vectors = tf.nn.embedding_lookup(self.words, X) # 按照X顺序返回self.words中的第X行，返回的结果组成tensor。
    length = self.length(word_vectors)
    # length是shape为[batch_size]大小值为句子长度的vector
    length_64 = tf.cast(length, tf.int64)
    if trainMode:  # 训练的时候启用dropout，测试的时候关键dropout
        word_vectors = tf.nn.dropout(word_vectors, 0.5)  # 将word_vectors按照50%的概率丢弃某些词，tf增加的一个处理是将其余的词scale 1/0.5
    with tf.variable_scope("rnn_fwbw", reuse=reuse) as scope:
        forward_output, _ = tf.nn.dynamic_rnn(
            tf.nn.rnn_cell.LSTMCell(self.numHidden),
            word_vectors,
            dtype=tf.float32,
            sequence_length=length,
            scope="RNN_forward")
        backward_output_, _ = tf.nn.dynamic_rnn(
            tf.nn.rnn_cell.LSTMCell(self.numHidden),
            inputs=tf.reverse_sequence(word_vectors,
                                       length_64,
                                       seq_dim=1),
            # 训练和测试的时候，inputs的格式不同。训练时，tensor shape是[batch_size, max_time,input_size]
            # 测试时，tensor shape是[max_time,batch_size,input_size].
            # tf.reverse_sequence作用就是指定在列上操作（batch_dim表示按行操作）
            dtype=tf.float32,
            sequence_length=length,
            scope="RNN_backword")
    # tf.nn.dynamic_rnn(cell, inputs, sequence_length,time_major,...)主要参数：
    # cell：搭建好的网络，这里用LSTMCell(num_cell)，num_cell表示一个lstm单元输出的维数（100）
    # inputs：word_vectors，它的shape由time_major决定，默认是false，即[batch_size，max_time，input_size]，如果是测试
    #           过程，time_major设置为True，shape为[max_time，batch_size，input_size]，这里直接做了reverse，省去了time_major设置。
    #         其中，batch_size=100, max_time=80句子最大长度，input_size字的向量的长度。
    # sequence_length：shape[batch_size]大小的值为句子最大长度的tensor。
    # 输出：
    #   outputs：[batch_size, max_time, cell.output_size]
    #   state: shape取决于LSTMCell中state_size的设置，返回Tensor或者tuple。

    backward_output = tf.reverse_sequence(backward_output_,
                                          length_64,
                                          seq_dim=1)
    # 这里的reverse_sequence同上。
    output = tf.concat(2, [forward_output, backward_output])
    # 连接两个三维tensor，2表示按照列连接（0表示纵向，1表示行）
    # 连接后，output的shape:[batch_size, max_time, 2*cell.output_size],即[100， 80， 2*50]
    output = tf.reshape(output, [-1, self.numHidden * 2])
    # reshape后，output的shape:[batch_size, self.numHidden * 2],即[100, 200]
    matricized_unary_scores = tf.batch_matmul(output, self.W)
    # 得到未归一化的CRF输出
    # 点乘W的shape[ 100*2, 4],生成[batch_size, 4]大小的matricized_unary_scores
    unary_scores = tf.reshape(
        matricized_unary_scores,
        [-1, FLAGS.max_sentence_len, self.distinctTagNum])
    # reshape后，unary_scores大小为[batch_size，80， 4]
    return unary_scores, length

def loss(self, X, Y):
    P, sequence_length = self.inference(X)
    # CRF损失计算，训练的时候使用，测试的时候用viterbi解码
    log_likelihood, self.transition_params = tf.contrib.crf.crf_log_likelihood(
        P, Y, sequence_length)
    # crf_log_likelihood参数(inputs,tag_indices, sequence_lengths)
    #   inputs:大小为[100, 80, 4]的tensor，CRF层的输入
    #   tag_indices:大小为[100, 80]的矩阵
    #   sequence_length：大小 [100]值为80的向量。
    # 输出：
    #   log_likelihood：[batch_size]大小的vector，log-likelihood值
    #   transition_params：[4,4]大小的矩阵
    loss = tf.reduce_mean(-log_likelihood)
    return loss

def load_w2v(self, path): #返回（num+2）*50大小的二维矩阵，其中第一行全是0，最后一行是每个词向量维度的平均值。
    fp = open(path, "r")
    print("load data from:", path)
    line = fp.readline().strip()
    ss = line.split(" ")
    total = int(ss[0])
    dim = int(ss[1])
    assert (dim == (FLAGS.embedding_size))
    ws = []
    mv = [0 for i in range(dim)]
    # The first for 0
    ws.append([0 for i in range(dim)])
    for t in range(total):
        line = fp.readline().strip()
        ss = line.split(" ")
        assert (len(ss) == (dim + 1))
        vals = []
        for i in range(1, dim + 1):
            fv = float(ss[i])
            mv[i - 1] += fv
            vals.append(fv)
        ws.append(vals)
    for i in range(dim):
        mv[i] = mv[i] / total
    ws.append(mv)
    fp.close()
    return np.asarray(ws, dtype=np.float32)

def test_unary_score(self):
    P, sequence_length = self.inference(self.inp,
                                        reuse=True,
                                        trainMode=False)
    return P, sequence_length

其他的代码比较简单，个人觉得不必要做深入分析。

总结

近一两个月开始学习TensorFlow，代码看了一些，但是总感觉临门差那么一脚。革命尚未完成，同志们仍需努力