Как построить модель языка с использованием LSTM, которая назначает вероятность появления данного предложения - PullRequest
Новая
       25

Как построить модель языка с использованием LSTM, которая назначает вероятность появления данного предложения

0 голосов
/ 01 июля 2018

В настоящее время я использую Trigram для этого. Он назначает вероятность появления для данного предложения. Но это ограничено единственным контекстом из 2 слов. Но LSTM могут сделать больше. Итак, как построить модель LSTM, которая назначает вероятность появления для данного предложения?

1 Ответ

0 голосов
/ 01 июля 2018

Я только что написал очень простой пример, показывающий, как можно вычислить вероятность появления предложения с помощью модели LSTM. Полный код можно найти здесь .

Предположим, мы хотим предсказать вероятность появления предложения для следующего набора данных (этот стих был опубликован в Мелодия Матери Гусы в Лондоне около 1765 г.): 

# Data
data = ["Two little dicky birds",
        "Sat on a wall,",
        "One called Peter,",
        "One called Paul.",
        "Fly away, Peter,",
        "Fly away, Paul!",
        "Come back, Peter,",
        "Come back, Paul."]

Прежде всего, давайте использовать keras.preprocessing.text.Tokenizer для создания словаря и токенизации предложений: 

# Preprocess data
tokenizer = Tokenizer()
tokenizer.fit_on_texts(data)
vocab = tokenizer.word_index
seqs = tokenizer.texts_to_sequences(data)

Наша модель примет последовательность слов в качестве входных данных (контекст) и выведет условное распределение вероятности каждого слова в словаре с учетом контекста. Для этого мы подготавливаем данные обучения, дополняя последовательности и сдвигая окна над ними: 

def prepare_sentence(seq, maxlen):
    # Pads seq and slides windows
    x = []
    y = []
    for i, w in enumerate(seq):
        x_padded = pad_sequences([seq[:i]],
                                 maxlen=maxlen - 1,
                                 padding='pre')[0]  # Pads before each sequence
        x.append(x_padded)
        y.append(w)
    return x, y

# Pad sequences and slide windows
maxlen = max([len(seq) for seq in seqs])
x = []
y = []
for seq in seqs:
    x_windows, y_windows = prepare_sentence(seq, maxlen)
    x += x_windows
    y += y_windows
x = np.array(x)
y = np.array(y) - 1  # The word <PAD> does not constitute a class
y = np.eye(len(vocab))[y]  # One hot encoding

Я решил сдвинуть окна отдельно для каждого стиха, но это можно сделать по-другому.

Далее мы определяем и обучаем простую модель LSTM с помощью Keras. Модель состоит из слоя внедрения, слоя LSTM и плотного слоя с активацией softmax (который использует выходные данные на последнем временном шаге LSTM для получения вероятности каждого слова в словаре с учетом контекста): 

# Define model
model = Sequential()
model.add(Embedding(input_dim=len(vocab) + 1,  # vocabulary size. Adding an
                                               # extra element for <PAD> word
                    output_dim=5,  # size of embeddings
                    input_length=maxlen - 1))  # length of the padded sequences
model.add(LSTM(10))
model.add(Dense(len(vocab), activation='softmax'))
model.compile('rmsprop', 'categorical_crossentropy')

# Train network
model.fit(x, y, epochs=1000)

Совместная вероятность P(w_1, ..., w_n) вхождения предложения w_1 ... w_n может быть вычислена с использованием правила условной вероятности:

P(w_1, ..., w_n)=P(w_1)*P(w_2|w_1)*...*P(w_n|w_{n-1}, ..., w_1)

, где каждая из этих условных вероятностей задается моделью LSTM. Обратите внимание, что они могут быть очень маленькими, поэтому целесообразно работать в пространстве журнала, чтобы избежать проблем с числовой нестабильностью. Собираем все вместе: 

# Compute probability of occurence of a sentence
sentence = "One called Peter,"
tok = tokenizer.texts_to_sequences([sentence])[0]
x_test, y_test = prepare_sentence(tok, maxlen)
x_test = np.array(x_test)
y_test = np.array(y_test) - 1  # The word <PAD> does not constitute a class
p_pred = model.predict(x_test)  # array of conditional probabilities
vocab_inv = {v: k for k, v in vocab.items()}

# Compute product
# Efficient version: np.exp(np.sum(np.log(np.diag(p_pred[:, y_test]))))
log_p_sentence = 0
for i, prob in enumerate(p_pred):
    word = vocab_inv[y_test[i]+1]  # Index 0 from vocab is reserved to <PAD>
    history = ' '.join([vocab_inv[w] for w in x_test[i, :] if w != 0])
    prob_word = prob[y_test[i]]
    log_p_sentence += np.log(prob_word)
    print('P(w={}|h={})={}'.format(word, history, prob_word))
print('Prob. sentence: {}'.format(np.exp(log_p_sentence)))

ПРИМЕЧАНИЕ : Это очень маленький набор игрушечных данных, и мы можем переобучаться.

...