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

2019-11-08 03:00:09

字体：大中小

来源：转载

供稿：网友

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

图3 双向LSTM结构代码4-2

lstm_fw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)lstm_bw_cell = tf.nn.rnn_cell.BasicLSTMCell(size, forget_bias=0.0, state_is_tuple=True)     cell_fw = tf.nn.rnn_cell.MultiRNNCell([lstm_fw_cell] * num_layers, state_is_tuple=True)cell_bw = tf.nn.rnn_cell.MultiRNNCell([lstm_bw_cell] * num_layers, state_is_tuple=True) initial_state_fw = cell_fw.zero_state(batch_size, data_type())initial_state_bw = cell_bw.zero_state(batch_size, data_type()) # Split to get a list of 'n_steps' tensors of shape (batch_size, n_input)inputs_list = [tf.squeeze(s, squeeze_dims=[1]) for s in tf.split(1, num_steps, inputs)] with tf.variable_scope("pos_bilstm"):    outputs, state_fw, state_bw = tf.nn.bidirectional_rnn(        cell_fw, cell_bw, inputs_list, initial_state_fw = initial_state_fw,         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
state = self._initial_statewith tf.variable_scope("pos_lstm"):  for time_step in range(num_steps):    if time_step > 0: tf.get_variable_scope().reuse_variables()    (cell_output, state) = cell(inputs[:, time_step, :], state)    outputs.append(cell_output) output = tf.reshape(tf.concat(1, outputs), [-1, size])softmax_w = tf.get_variable(    "softmax_w", [size, target_num], dtype=data_type())softmax_b = tf.get_variable("softmax_b", [target_num], dtype=data_type())logits = tf.matmul(output, softmax_w) + softmax_bloss = 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].csession.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
def run_epoch(session, model, word_data, tag_data, eval_op, verbose=False):  """Runs the model on the given data."""  epoch_size = ((len(word_data) // model.batch_size) - 1) // model.num_steps  start_time = time.time()  costs = 0.0  iters = 0  state = session.run(model.initial_state)  for step, (x, y) in enumerate(reader.iterator(word_data, tag_data, model.batch_size,                                                    model.num_steps)):    fetches = [model.cost, model.final_state, eval_op]    feed_dict = {}    feed_dict[model.input_data] = x    feed_dict[model.targets] = y    for i, (c, h) in enumerate(model.initial_state):      feed_dict[c] = state[i].c      feed_dict[h] = state[i].h    cost, state, _ = session.run(fetches, feed_dict)    costs += cost    iters += model.num_steps     if verbose and step % (epoch_size // 10) == 10:      print("%.3f perplexity: %.3f speed: %.0f wps" %            (step * 1.0 / epoch_size, np.exp(costs / iters),             iters * model.batch_size / (time.time() - start_time)))         # Save Model to CheckPoint when is_training is True    if model.is_training:      if step % (epoch_size // 10) == 10:        checkpoint_path = os.path.join(FLAGS.pos_train_dir, "pos.ckpt")        model.saver.save(session, checkpoint_path)        print("Model Saved... at time step " + str(step))   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 Tensorflowhttps://pypi.python.org/pypi/deepnlpUnderstanding LSTM NetworksTensorflow:difference between sparse_softmax_cross_entropy_with_logits and softmax_cross_entropy_with_logits?