Tensorflow进行POS词性标注NER实体识别 - 构建LSTM网络进行序列化标注

http://blog.csdn.net/rockingdingo/article/details/55653279

 Github下载完整代码

https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/pos

 

 

简介

 

这篇文章中我们将基于Tensorflow的LSTM模型来实现序列化标注的任务，以NLP中的POS词性标注为例实现一个深度学习的POS Tagger。文中具体介绍如何基于Tensorflow的LSTM cell单元来构建多层LSTM、双向Bi-LSTM模型，以及模型的训练和预测过程。对LSTM模型的基本结构和算法不熟悉的可以参考拓展阅读里的一些资料。 完整版代码可以在Github上找到:https://github.com/rockingdingo/deepnlp/tree/master/deepnlp/pos

数据和预处理

我们使用的词性标注POS的训练集来源是url [人民日报1998年的新闻语料]，格式为”充满/v 希望/n 的/u 新/a 世纪/n ——/w 一九九八年/t”。具体的预处理过程包含以下步骤:

  • 读取训练集数据：得到两个列表word和tag，其中word保存分词，Tag保存对应的标签；
  • 构建词典：对词进行Count并且按照出现频率倒叙排列，建立字典表：word_to_id和tag_to_id 保存词和标签的id，未知词的标签即为UNKNOWN = "*"；
  • 分别读取训练集train, dev和test数据集，将数据集的word列表和tag列表分别转化为其对应的id列表。
  • 构建一个迭代器iterator, 每次返回读取batch_size个词和标签的Pair对 (x,y)作为LSTM模型的输入。 x代表词ID的矩阵，y代表标签ID的矩阵，形状均为[batch_size, num_steps]，代表batch_size组长度为num_steps的序列；矩阵中元素代表第x[i,j] 代表第i个batch下第j个词的ID，如“132”(面条)，y[i,j] 为其对应标签的ID，如”3 ”(NN-名词)。

     

    模型


    图1 LSTM链式展开

    图2 LSTM内部结构 
    LSTM前向传播公式 
     
    input 门
     
    forget 门
     
    cell 状态更新
     
    output 门
     
    ht 隐藏层更新
     

实现

      1. 定义类和初始化函数init

我们首先定义一个POSTagger类，通过初始化函数init，根据超参数构建tensorflow的一个graph模型。 所有LSTM模型的超参数保存在config这个类中，传入init函数。

 

 

    代码1

 

 

 

[python] view plain copy
 
  1. class LargeConfigChinese(object):  
  2.   """Large config."""  
  3.   init_scale = 0.04  
  4.   learning_rate = 0.5  
  5.   max_grad_norm = 10  
  6.   num_layers = 2  
  7.   num_steps = 30  
  8.   hidden_size = 128  
  9.   max_epoch = 5  
  10.   max_max_epoch = 55  
  11.   keep_prob = 1.0  
  12.   lr_decay = 1 / 1.15  
  13.   batch_size = 1 # single sample batch  
  14.   vocab_size = 50000  
  15.   target_num = 44  # POS tagging for Chinese  
  16.    
  17. # 定义类和初始化函数init  
  18. class POSTagger(object):  
  19.   """The pos tagger model"""  
  20.    
  21.   def __init__(self, is_training, config):  
  22.     self.batch_size = batch_size = config.batch_size  
  23.     self.num_steps = num_steps = config.num_steps  
  24.     size = config.hidden_size  
  25.     vocab_size = config.vocab_size  
  26.     target_num = config.target_num # target output number  
  27.        
  28.     # define model  
  29.     # To Do  



 

 

    Init函数的输入参数config为一个包含超参数的类，具体输入包括：
  • init_scale: 初始化参数的范围[-init_scale, init_scale]
  • num_layers: LSTM模型的层数，默认为2层；
  • hidden_size: LSTM模型每层节点数，默认128；
  • num_steps: LSTM模型的步长T，代表共计算T个timestep，默认30；
  • keep_prob: Dropout层留存的概率，为避免过拟合设置, 当数据集小的时候可以设置为1；
  • vocab_size: 词典的单词个数，默认值50000；
  • target_num：标签的个数，默认值 44，针对人民日报的标签体系下的44个词性标签；
  • 其他

 

 

 

定义占位符Placeholder

        在Tensorflow的图模型的Placeholder占位符，每次接受一组训练数据的字典表feed_dict，字典表中包含了我们在上一章节预处理中构建的迭代器iterator，每次返回(x,y)的Pair会被Feed进入占位符中： _input_data 和_targets的形状均为 [batch_size, num_steps]，每个元素为词或者是标签的ID，保存为整数形tf.int32。
            代码2

 

[python] view plain copy
 
  1. self._input_data = tf.placeholder(tf.int32, [batch_size, num_steps])  
  2. self._targets = tf.placeholder(tf.int32, [batch_size, num_steps])  


词向量Word Embedding层

现在我们将输入到占位符_input_data和_targets的ID数据，转化为对应的词向量。 在Tensorflow定义了简单方法：首先随机生成一个embedding矩阵，形状为[vocab_size, size]，即词典大小vocab_size 乘以定义的词向量的维度 size。 然后利用tf.nn.embedding_lookup() 方法来查找每个ID对应的向量。这个过程就是将长度为vocab_size的One-Hot输入向量Xi转化为一个固定长度size的词向量。 在后向传播过程，词向量也同时得到训练。

              代码3
[python] view plain copy
 
  1. embedding = tf.get_variable("embedding", [vocab_size, size], dtype=data_type())  
  2. inputs = tf.nn.embedding_lookup(embedding, self._input_data)  

 

              LSTM模型

基本LSTM单元：通过tf.nn.rnn_cell.BasicLSTMCell() 函数构建，size为LSTM的每层节点个数，forget_bias为偏移量，state_is_tuple=True为内部实现的一种结构，在tensorflow 0.10.0 后的版本为了提升计算速度已经建议均设置为TRUE，FALSE版本会被去除掉。

Dropout Wrapper层: 通过tf.nn.rnn_cell.DropoutWrapper() 函数可以在LSTM层加上Dropout避免训练过程的过拟合，通过设置 output_keep_prob 的概率来调节；

多层LSTM的cell单元：通过函数tf.nn.rnn_cell.MultiRNNCell() 构建，层数的参数是config.num_layers，第一层LSTM的输出会作为下一层LSTM的输入，将多层LSTM叠加在一起获得更好的模型Capacity；

              代码4-1
[python] view plain copy
 
  1. lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)  
  2. if is_training and config.keep_prob < 1:  
  3.   lstm_cell = tf.nn.rnn_cell.DropoutWrapper(  
  4.       lstm_cell, output_keep_prob=config.keep_prob)  
  5. cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * config.num_layers, state_is_tuple=True)  

 

              双向LSTM模型 Bi-LSTM双向LSTM模型的传播过程与单向LSTM模型稍有区别：
              • 分别定义两个LSTM基本单元，一个前向的lstm_fw_cell，一个后向的lstm_bw_cell
              • 基于基本单元分别构建：多层前向LSTM单元cell_fw和多层后向LSTM的单元cell_bw：
              • 定义两个前向LSTM和后向LSTM的初始状态：initial_state_fw和initial_state_bw
              • 利用tf.nn.bidirectional_rnn() 函数完成传播过程：具体的两个LSTM分别得到隐含层的状态 hj_forward 和hj_backward，将[hj_forward,hj_backward]合并成为一个长度为2倍隐含层节点数的向量；
              • 最后返回的参数有：outputs, state_fw, state_bw


                                            

 

 

 

      图3 双向LSTM结构 
    代码4-2
[python] view plain copy
 
  1. lstm_fw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)  
  2. lstm_bw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)  
  3.        
  4. cell_fw = tf.nn.rnn_cell.MultiRNNCell([lstm_fw_cell] * num_layers, state_is_tuple=True)  
  5. cell_bw = tf.nn.rnn_cell.MultiRNNCell([lstm_bw_cell] * num_layers, state_is_tuple=True)  
  6.    
  7. initial_state_fw = cell_fw.zero_state(batch_size, data_type())  
  8. initial_state_bw = cell_bw.zero_state(batch_size, data_type())  
  9.    
  10. # Split to get a list of 'n_steps' tensors of shape (batch_size, n_input)  
  11. inputs_list = [tf.squeeze(s, squeeze_dims=[1]) for s in tf.split(1, num_steps, inputs)]  
  12.    
  13. with tf.variable_scope("pos_bilstm"):  
  14.     outputs, state_fw, state_bw = tf.nn.bidirectional_rnn(  
  15.         cell_fw, cell_bw, inputs_list, initial_state_fw = initial_state_fw,   
  16.         initial_state_bw = initial_state_bw)  

 

    前向传播

 

 

 

LSTM模型每次读取当前步t的输入Xt 和上一步的隐含层的向量h(t-1)，通过LSTM内部结构的一系列计算得到相应的输出。定义前向过程，通过for循环，每次输入一个步t对应的词向量 inputs[:, time_step, :]，是一个3D的Tensor [batch_size, time_step, size] 。其中size为词向量的维度。之后会将每一步的结果添加到outputs这个list中。

最后的全连接层：将output这个向量乘以softmax_w再加上偏移softmax_b，得到输出部分的logits，最后利用tf.nn.sparse_softmax_cross_entropy_with_logits 比较真实值的向量_targets和预测值的向量 logits，计算交叉熵cross-entropy的损失函数loss；

    代码5

 

 

 

[python] view plain copy
 
  1. state = self._initial_state  
  2. with tf.variable_scope("pos_lstm"):  
  3.   for time_step in range(num_steps):  
  4.     if time_step > 0: tf.get_variable_scope().reuse_variables()  
  5.     (cell_output, state) = cell(inputs[:, time_step, :], state)  
  6.     outputs.append(cell_output)  
  7.    
  8. output = tf.reshape(tf.concat(1, outputs), [-1, size])  
  9. softmax_w = tf.get_variable(  
  10.     "softmax_w", [size, target_num], dtype=data_type())  
  11. softmax_b = tf.get_variable("softmax_b", [target_num], dtype=data_type())  
  12. logits = tf.matmul(output, softmax_w) + softmax_b  
  13. loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, tf.reshape(targets, [-1]))  

 

 

    关于损失函数

 

 

 

Tensorflow中定义损失函数有：tf.nn.sparse_softmax_cross_entropy_with_logits() 和 tf.nn.softmax_cross_entropy_with_logits()。 另外还有一个函数tf.nn.seq2seq.sequence_loss_by_example()接收参数和sparse_softmax_cross_entropy_with_logits类似。 二者输出结果一致，区别在于接收的输入不同：

      • 函数tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name=None)

        "sparse_softmax"这个函数输入参数labels表示待拟合的标签，形状为 [batch_size] ，每个值为一个整形数值，int32或者int64, 代表了待预测标签的ID，即每个样本的标签有且仅有一个。

      • 函数tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None)

        "softmax" 这个函数输入参数labels形状为[batch_size, num_classes]，每个元素类型为float32或者 float64。每个样本对应的标签向量可以是One-Hot表示，即每个样本只属于一个类别；同时也可以是对应多个标签soft softmax，即每个样本的label不仅限于一个，而是给出符合每个类别的概率分布。这个函数支持一个样本在多个类别下都有分布情况。

      模型训练过程 定义run_epoch函数：
      • fetches：定义需要评估和取出的数值，这里我们要计算取出model.cost, model.final_state 和 eval_op三个参数，其中eval_op 为前向过程中定义的SGD梯度下降的操作符：self._train_op = optimizer.apply_gradients(zip(grads, tvars))
      • feed_dict: 将每次迭代器返回的(x,y) Pair对的值，分别赋给input_data和target这两个占位符。
      To Do: State[i].c

session.run() 函数每次将feed_dict的数据输入Graph模型，计算后返回fetches列表中定义的几个变量[cost, state, _ ]。_ 代表了评估的operator。

    代码6

 

 

 

[python] view plain copy
 
  1. def run_epoch(session, model, word_data, tag_data, eval_op, verbose=False):  
  2.   """Runs the model on the given data."""  
  3.   epoch_size = ((len(word_data) // model.batch_size) - 1) // model.num_steps  
  4.   start_time = time.time()  
  5.   costs = 0.0  
  6.   iters = 0  
  7.   state = session.run(model.initial_state)  
  8.   for step, (x, y) in enumerate(reader.iterator(word_data, tag_data, model.batch_size,  
  9.                                                     model.num_steps)):  
  10.     fetches = [model.cost, model.final_state, eval_op]  
  11.     feed_dict = {}  
  12.     feed_dict[model.input_data] = x  
  13.     feed_dict[model.targets] = y  
  14.     for i, (c, h) in enumerate(model.initial_state):  
  15.       feed_dict[c] = state[i].c  
  16.       feed_dict[h] = state[i].h  
  17.     cost, state, _ = session.run(fetches, feed_dict)  
  18.     costs += cost  
  19.     iters += model.num_steps  
  20.    
  21.     if verbose and step % (epoch_size // 10) == 10:  
  22.       print("%.3f perplexity: %.3f speed: %.0f wps" %  
  23.             (step * 1.0 / epoch_size, np.exp(costs / iters),  
  24.              iters * model.batch_size / (time.time() - start_time)))  
  25.        
  26.     # Save Model to CheckPoint when is_training is True  
  27.     if model.is_training:  
  28.       if step % (epoch_size // 10) == 10:  
  29.         checkpoint_path = os.path.join(FLAGS.pos_train_dir, "pos.ckpt")  
  30.         model.saver.save(session, checkpoint_path)  
  31.         print("Model Saved... at time step " + str(step))  
  32.    
  33.   return np.exp(costs / iters)  



 

 

延伸阅读

深语人工智能-技术博客: 
http://www.deepnlp.org/blog/tensorflow-lstm-pos/
Python Package Index - deepnlp: Deep Learning NLP Pipeline implemented on Tensorflow
https://pypi.python.org/pypi/deepnlp
posted @ 2017-05-16 17:51  Django's blog  阅读(3550)  评论(0)  编辑  收藏  举报