SpaCy не назначает правильную метку зависимости при разборе текста - PullRequest
Новая
       39

SpaCy не назначает правильную метку зависимости при разборе текста

0 голосов
/ 07 мая 2018

Я взял некоторый код из документации SpaCy , который позволяет вам назначать пользовательские метки зависимостей для текста, я хочу использовать это для интерпретации намерений от пользователя. В основном это работает, но, например, когда я запускаю код, он помечает «удалить» как «ROOT», где он должен пометить его как «INTENT», как это показано в словаре deps. 

from __future__ import unicode_literals, print_function

import plac
import random
import spacy
from pathlib import Path


# training data: texts, heads and dependency labels
# for no relation, we simply chose an arbitrary dependency label, e.g. '-'
TRAIN_DATA = [
    ("How do I delete my account?", {
        'heads': [3, 3, 3, 3, 5, 3, 3],  # index of token head
        'deps': ['ROOT', '-', '-', 'INTENT', '-', 'OBJECT', '-']
    }),
    ("How do I add a balance?", {
        'heads': [3, 3, 3, 3, 5, 3, 3],
        'deps': ['ROOT', '-', '-', 'INTENT', '-', 'OBJECT', '-']
    }),
    ("How do I deposit my funds into my bank account?", {
        'heads': [3, 3, 3, 3, 5, 3, 3, 9, 9, 6, 3],
        'deps': ['ROOT', '-', '-', 'INTENT', '-', '-', '-', '-', '-', 'OBJECT', '-']
    }),
    ("How do I fill out feedback forms?", {
        'heads': [3, 3, 3, 3, 3, 6, 3, 3],
        'deps': ['ROOT', '-', '-', 'INTENT', '-', '-', 'OBJECT', '-']
    }),
    #("How does my profile impact my score?", {
        #'heads': [4, 4, 4, 4, 4, 6, 4, 4],
        #'deps': ['ROOT', '-', '-', '-', 'INTENT', '-', 'OBJECT' '-']
    #}),
    ("What are the fees?", {
        'heads': [1, 1, 3, 1, 1],
        'deps': ['ROOT', '-', '-', 'INTENT', '-']
    }),
    ("How do I update my profile picture?", {
        'heads': [3, 3, 3, 3, 6, 6, 3, 3],
        'deps': ['ROOT', '-', '-', 'INTENT', '-', 'OBJECT', 'OBJECT', '-']
    }),
    ("How do I add a referral to the marketplace?", {
        'heads': [3, 3, 3, 3, 5, 3, 3, 8, 6, 3],
        'deps': ['ROOT', '-', '-', 'INTENT', '-', 'OBJECT', '-', '-', 'OBJECT', '-']
    }),


]


@plac.annotations(
    model=("Model name. Defaults to blank 'en' model.", "option", "m", str),
    output_dir=("Optional output directory", "option", "o", Path),
    n_iter=("Number of training iterations", "option", "n", int))
def main(model=None, output_dir=None, n_iter=5):
    """Load the model, set up the pipeline and train the parser."""
    if model is not None:
        nlp = spacy.load(model)  # load existing spaCy model
        print("Loaded model '%s'" % model)
    else:
        nlp = spacy.blank('en')  # create blank Language class
        print("Created blank 'en' model")

    # We'll use the built-in dependency parser class, but we want to create a
    # fresh instance – just in case.
    if 'parser' in nlp.pipe_names:
        nlp.remove_pipe('parser')
    parser = nlp.create_pipe('parser')
    nlp.add_pipe(parser, first=True)

    #add new labels to the parser
    for text, annotations in TRAIN_DATA:
        for dep in annotations.get('deps', []):
            parser.add_label(dep)

    other_pipes = [pipe for pipe in nlp.pipe_names if pipe != 'parser']
    with nlp.disable_pipes(*other_pipes):  # only train parser
        optimizer = nlp.begin_training()
        for itn in range(n_iter):
            random.shuffle(TRAIN_DATA)
            losses = {}
            for text, annotations in TRAIN_DATA:
                nlp.update([text], [annotations], sgd=optimizer, losses=losses)
            print(losses)

    # test the trained model
    test_model(nlp)

    # save model to output directory
    if output_dir is not None:
        output_dir = Path(output_dir)
        if not output_dir.exists():
            output_dir.mkdir()
        nlp.to_disk(output_dir)
        print("Saved model to", output_dir)

        # test the saved model
        print("Loading from", output_dir)
        nlp2 = spacy.load(output_dir)
        test_model(nlp2)


def test_model(nlp):
    texts = ["How do I delete my account?"]
    docs = nlp.pipe(texts)
    for doc in docs:
        print(doc.text)
        print([(t.text, t.dep_, t.head.text) for t in doc if t.dep_ != '-'])


if __name__ == '__main__':
    plac.call(main)

Это вывод: How do I delete my account? [(u'How', u'ROOT', u'delete'), (u'delete', u'ROOT', u'delete'), (u'account', u'OBJECT', u'delete')]

1 Ответ

0 голосов
/ 07 мая 2018

Я думаю, что причина вашей проблемы в том, что корень дерева зависимостей автоматически помечается как 'ROOT', (а корень дерева зависимостей определяется как токен, чья голова сама по себе).

Возможный обходной путь заключается в добавлении искусственного корня в ваши тренировочные данные: 

("root How do I delete my account?", {
    'heads': [0, 4, 4, 4, 0, 6, 4, 4],  # index of token head
    'deps': ['ROOT', '-', '-', '-', 'INTENT', '-', 'OBJECT', '-']
})

(также добавьте символ root к своим тестовым примерам: texts = ["root How do I delete my account?"])

С этими изменениями, если вы обучите модель достаточно долго, вы получите: 

root How do I delete my account?
[('root', 'ROOT', 'root'), ('delete', 'INTENT', 'root'), ('account', 'OBJECT', 'delete')]
...