BiLSTM介绍及代码实现

栏目: 编程工具 · 发布时间: 5年前

内容简介:本文简要介绍了BiLSTM的基本原理,并以句子级情感分类任务为例介绍为什么需要使用LSTM或BiLSTM进行建模。在文章的最后,我们给出在PyTorch下BiLSTM的实现代码,供读者参考。自然语言处理中情感分类任务是对给定文本进行情感倾向分类的任务,粗略来看可以认为其是分类任务中的一类。对于情感分类任务,目前通常的做法是先对词或者短语进行表示,再通过某种组合方式把句子中词的表示组合成句子的表示。最后,利用句子的表示对句子进行情感分类。举一个对句子进行褒贬二分类的例子。

一、介绍

1.1 文章组织

本文简要介绍了BiLSTM的基本原理,并以句子级情感分类任务为例介绍为什么需要使用LSTM或BiLSTM进行建模。在文章的最后,我们给出在PyTorch下BiLSTM的实现代码,供读者参考。

1.2 情感分类任务

自然语言处理中情感分类任务是对给定文本进行情感倾向分类的任务,粗略来看可以认为其是分类任务中的一类。对于情感分类任务,目前通常的做法是先对词或者短语进行表示,再通过某种组合方式把句子中词的表示组合成句子的表示。最后,利用句子的表示对句子进行情感分类。

举一个对句子进行褒贬二分类的例子。

句子:我爱赛尔

情感标签:褒义

1.3 什么是LSTM和BiLSTM?

LSTM的全称是Long Short-Term Memory,它是RNN(RecurrentNeural Network)的一种。LSTM由于其设计的特点,非常适合用于对时序数据的建模,如文本数据。BiLSTM是Bi-directionalLong Short-Term Memory的缩写,是由前向LSTM与后向LSTM组合而成。两者在自然语言处理任务中都常被用来建模上下文信息。

1.4 为什么使用LSTM与BiLSTM?

将词的表示组合成句子的表示,可以采用相加的方法,即将所有词的表示进行加和,或者取平均等方法,但是这些方法没有考虑到词语在句子中前后顺序。如句子“我不觉得他好”。“不”字是对后面“好”的否定,即该句子的情感极性是贬义。使用LSTM模型可以更好的捕捉到较长距离的依赖关系。因为LSTM通过训练过程可以学到记忆哪些信息和遗忘哪些信息。

但是利用LSTM对句子进行建模还存在一个问题:无法编码从后到前的信息。在更细粒度的分类时,如对于强程度的褒义、弱程度的褒义、中性、弱程度的贬义、强程度的贬义的五分类任务需要注意情感词、程度词、否定词之间的交互。举一个例子,“这个餐厅脏得不行,没有隔壁好”,这里的“不行”是对“脏”的程度的一种修饰,通过BiLSTM可以更好的捕捉双向的语义依赖。

二、BiLSTM原理简介

2.1LSTM介绍

2.1.1 总体框架

LSTM模型是由时刻的输入词,细胞状态,临时细胞状态,隐层状态,遗忘门,记忆门,输出门组成。LSTM的计算过程可以概括为,通过对细胞状态中信息遗忘和记忆新的信息使得对后续时刻计算有用的信息得以传递,而无用的信息被丢弃,并在每个时间步都会输出隐层状态,其中遗忘,记忆与输出由通过上个时刻的隐层状态 BiLSTM介绍及代码实现 和当前输入计算出来的遗忘门,记忆门,输出门来控制。

总体框架如图1所示。

BiLSTM介绍及代码实现 图1.LSTM总体框架

2.1.2 详细介绍计算过程

计算遗忘门,选择要遗忘的信息。

输入:前一时刻的隐层状态 BiLSTM介绍及代码实现 ,当前时刻的输入词

输出:遗忘门的值

BiLSTM介绍及代码实现 图2. 计算遗忘门

计算记忆门,选择要记忆的信息。

输入:前一时刻的隐层状态 BiLSTM介绍及代码实现 ,当前时刻的输入词

输出:记忆门的值,临时细胞状态

BiLSTM介绍及代码实现 图3. 计算记忆门和临时细胞状态

计算当前时刻细胞状态

输入:记忆门的值,遗忘门的值,临时细胞状态,上一刻细胞状态 BiLSTM介绍及代码实现

输出:当前时刻细胞状态

BiLSTM介绍及代码实现 图4. 计算当前时刻细胞状态 计算输出门和当前时刻隐层状态

输入:前一时刻的隐层状态 BiLSTM介绍及代码实现 ,当前时刻的输入词,当前时刻细胞状态

输出:输出门的值,隐层状态

BiLSTM介绍及代码实现 图5. 计算输出门和当前时刻隐层状态

最终,我们可以得到与句子长度相同的隐层状态序列{,, ..., BiLSTM介绍及代码实现 }。

2.2 BiLSTM介绍

前向的LSTM与后向的LSTM结合成BiLSTM。比如,我们对“我爱中国”这句话进行编码,模型如图6所示。

BiLSTM介绍及代码实现 图6. 双向LSTM编码句子 前向的 BiLSTM介绍及代码实现 依次输入“我”,“爱”,“中国”得到三个向量{ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 }。后向的 BiLSTM介绍及代码实现 依次输入“中国”,“爱”,“我”得到三个向量{ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 }。最后将前向和后向的隐向量进行拼接得到{[ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 ], [ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 ], [ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 ]},即{,,}。

对于情感分类任务来说,我们采用的句子的表示往往是[ BiLSTM介绍及代码实现 , BiLSTM介绍及代码实现 ]。因为其包含了前向与后向的所有信息,如图7所示。

BiLSTM介绍及代码实现 图7. 拼接向量用于情感分类

三、BiLSTM代码实现样例

3.1 模型搭建

使用PyTorch搭建BiLSTM样例代码。代码地址为https://github.com/albertwy/BiLSTM/。

  1. class BLSTM(nn.Module):

  2.    """

  3.        Implementation of BLSTM Concatenation for sentiment classification task

  4.    """

  5.    def __init__(self, embeddings, input_dim, hidden_dim, num_layers, output_dim, max_len=40, dropout=0.5):

  6.        super(BLSTM, self).__init__()

  7.        self.emb = nn.Embedding(num_embeddings=embeddings.size(0),

  8.                                embedding_dim=embeddings.size(1),

  9.                                padding_idx=0)

  10.        self.emb.weight = nn.Parameter(embeddings)

  11.        self.input_dim = input_dim

  12.        self.hidden_dim = hidden_dim

  13.        self.output_dim = output_dim

  14.        # sen encoder

  15.        self.sen_len = max_len

  16.        self.sen_rnn = nn.LSTM(input_size=input_dim,

  17.                               hidden_size=hidden_dim,

  18.                               num_layers=num_layers,

  19.                               dropout=dropout,

  20.                               batch_first=True,

  21.                               bidirectional=True)

  22.        self.output = nn.Linear(2 * self.hidden_dim, output_dim)

  23.    def bi_fetch(self, rnn_outs, seq_lengths, batch_size, max_len):

  24.        rnn_outs = rnn_outs.view(batch_size, max_len, 2, -1)

  25.        # (batch_size, max_len, 1, -1)

  26.        fw_out = torch.index_select(rnn_outs, 2, Variable(torch.LongTensor([0])).cuda())

  27.        fw_out = fw_out.view(batch_size * max_len, -1)

  28.        bw_out = torch.index_select(rnn_outs, 2, Variable(torch.LongTensor([1])).cuda())

  29.        bw_out = bw_out.view(batch_size * max_len, -1)

  30.        batch_range = Variable(torch.LongTensor(range(batch_size))).cuda() * max_len

  31.        batch_zeros = Variable(torch.zeros(batch_size).long()).cuda()

  32.        fw_index = batch_range + seq_lengths.view(batch_size) - 1

  33.        fw_out = torch.index_select(fw_out, 0, fw_index)  # (batch_size, hid)

  34.        bw_index = batch_range + batch_zeros

  35.        bw_out = torch.index_select(bw_out, 0, bw_index)

  36.        outs = torch.cat([fw_out, bw_out], dim=1)

  37.        return outs

  38.    def forward(self, sen_batch, sen_lengths, sen_mask_matrix):

  39.        """

  40.        :param sen_batch: (batch, sen_length), tensor for sentence sequence

  41.        :param sen_lengths:

  42.        :param sen_mask_matrix:

  43.        :return:

  44.        """

  45.        ''' Embedding Layer | Padding | Sequence_length 40'''

  46.        sen_batch = self.emb(sen_batch)

  47.        batch_size = len(sen_batch)

  48.        ''' Bi-LSTM Computation '''

  49.        sen_outs, _ = self.sen_rnn(sen_batch.view(batch_size, -1, self.input_dim))

  50.        sen_rnn = sen_outs.contiguous().view(batch_size, -1, 2 * self.hidden_dim)  # (batch, sen_len, 2*hid)

  51.        ''' Fetch the truly last hidden layer of both sides

  52.        '''

  53.        sentence_batch = self.bi_fetch(sen_rnn, sen_lengths, batch_size, self.sen_len)  # (batch_size, 2*hid)

  54.        representation = sentence_batch

  55.        out = self.output(representation)

  56.        out_prob = F.softmax(out.view(batch_size, -1))

  57.        return out_prob

__init__()函数中对网络进行初始化,设定词向量维度,前向/后向LSTM中隐层向量的维度,还有要分类的类别数等。

bi_fetch()函数的作用是将 BiLSTM介绍及代码实现BiLSTM介绍及代码实现 拼接起来并返回拼接后的向量。由于使用了batch,所以需要使用句子长度用来定位开始padding时前一个时刻的输出的隐层向量。

forward()函数里进行前向计算,得到各个类别的概率值。

3.2 模型训练

  1. def train(model, training_data, args, optimizer, criterion):

  2.    model.train()

  3.    batch_size = args.batch_size

  4.    sentences, sentences_seqlen, sentences_mask, labels = training_data

  5.    # print batch_size, len(sentences), len(labels)

  6.    assert batch_size == len(sentences) == len(labels)

  7.    ''' Prepare data and prediction'''

  8.    sentences_, sentences_seqlen_, sentences_mask_ = \

  9.        var_batch(args, batch_size, sentences, sentences_seqlen, sentences_mask)

  10.    labels_ = Variable(torch.LongTensor(labels))

  11.    if args.cuda:

  12.        labels_ = labels_.cuda()

  13.    assert len(sentences) == len(labels)

  14.    model.zero_grad()

  15.    probs = model(sentences_, sentences_seqlen_, sentences_mask_)

  16.    loss = criterion(probs.view(len(labels_), -1), labels_)

  17.    loss.backward()

  18.     optimizer.step()

代码中training_data是一个batch的数据,其中包括输入的句子sentences(句子中每个词以词下标表示),输入句子的长度sentences_seqlen,输入的句子对应的情感类别labels。 训练模型前,先清空遗留的梯度值,再根据该batch数据计算出来的梯度进行更新模型。

    model.zero_grad()
    probs = model(sentences_, sentences_seqlen_, sentences_mask_)
    loss = criterion(probs.view(len(labels_), -1), labels_)
    loss.backward()
    optimizer.step()

3.3 模型测试

以下是进行模型测试的代码。

def test(model, dataset, args, data_part="test"):
    """
    :param model:
    :param args:
    :param dataset:
    :param data_part:
    :return:
    """
    tvt_set = dataset[data_part]
    tvt_set = yutils.YDataset(tvt_set["xIndexes"],
                              tvt_set["yLabels"],
                              to_pad=True, max_len=args.sen_max_len)
    test_set = tvt_set
    sentences, sentences_seqlen, sentences_mask, labels = test_set.next_batch(len(test_set))
    assert len(test_set) == len(sentences) == len(labels)
    tic = time.time()
    model.eval()
    ''' Prepare data and prediction'''
    batch_size = len(sentences)
    sentences_, sentences_seqlen_, sentences_mask_ = \
        var_batch(args, batch_size, sentences, sentences_seqlen, sentences_mask)
    probs = model(sentences_, sentences_seqlen_, sentences_mask_)
    _, pred = torch.max(probs, dim=1)
    if args.cuda:
        pred = pred.view(-1).cpu().data.numpy()
    else:
        pred = pred.view(-1).data.numpy()
    tit = time.time() - tic
    print "  Predicting {:d} examples using {:5.4f} seconds".format(len(test_set), tit)
    labels = numpy.asarray(labels)
    ''' log and return prf scores '''
    accuracy = test_prf(pred, labels)
    return accuracy
def cal_prf(pred, right, gold, formation=True, metric_type=""):
    """
    :param pred: predicted labels
    :param right: predicting right labels
    :param gold: gold labels
    :param formation: whether format the float to 6 digits
    :param metric_type:
    :return: prf for each label
    """
    num_class = len(pred)
    precision = [0.0] * num_class
    recall = [0.0] * num_class
    f1_score = [0.0] * num_class
    for i in xrange(num_class):
        ''' cal precision for each class: right / predict '''
        precision[i] = 0 if pred[i] == 0 else 1.0 * right[i] / pred[i]
        ''' cal recall for each class: right / gold '''
        recall[i] = 0 if gold[i] == 0 else 1.0 * right[i] / gold[i]
        ''' cal recall for each class: 2 pr / (p+r) '''
        f1_score[i] = 0 if precision[i] == 0 or recall[i] == 0 \
            else 2.0 * (precision[i] * recall[i]) / (precision[i] + recall[i])
        if formation:
            precision[i] = precision[i].__format__(".6f")
            recall[i] = recall[i].__format__(".6f")
            f1_score[i] = f1_score[i].__format__(".6f")
    ''' PRF for each label or PRF for all labels '''
    if metric_type == "macro":
        precision = sum(precision) / len(precision)
        recall = sum(recall) / len(recall)
        f1_score = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
    elif metric_type == "micro":
        precision = 1.0 * sum(right) / sum(pred) if sum(pred) > 0 else 0
        recall = 1.0 * sum(right) / sum(gold) if sum(recall) > 0 else 0
        f1_score = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0
    return precision, recall, f1_score

四、总结

本文中,我们结合情感分类任务介绍了LSTM以及BiLSTM的基本原理,并给出一个BiLSTM样例代码。除了情感分类任务,LSTM与BiLSTM在自然语言处理领域的其它任务上也得到了广泛应用,如机器翻译任务中使用其进行源语言的编码和目标语言的解码,机器阅读理解任务中使用其对文章和问题的编码等。

五、参考资料

http://colah.github.io/posts/2015-08-Understanding-LSTMs/


以上所述就是小编给大家介绍的《BiLSTM介绍及代码实现》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

计算机程序设计艺术(第2卷)

计算机程序设计艺术(第2卷)

高德纳 / 机械工业出版社 / 2008-1 / 109.00元

《计算机程序设计艺术:半数值算法(第2卷)(英文版)(第3版)》主要内容:关于算法分析的这多卷论著已经长期被公认为经典计算机科学的定义性描述。迄今已出版的完整的三卷已经组成了程序设计理论和实践的惟一的珍贵资源,无数读者都赞扬Knuth的著作对个人的深远影响,科学家们为他的分析的美丽和优雅所惊叹,而从事实践的程序员已经成功地将他的“菜谱式”的解应用到日常问题上,所有人都由于Knuth在书中表现出的博......一起来看看 《计算机程序设计艺术(第2卷)》 这本书的介绍吧!

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器