RNN(2)词性标注POS

简介

本篇文章用于将英文句子转换为其对应的词性标注,结构如下图所示:


结构

预处理

数据获取

数据来源于NLTK这个NLP的Python包,其中包含有部分标记好的句子,我们可以把这些数据写入到文本里面用做数据集。

import nltk
import numpy as np

sents=nltk.corpus.treebank.tagged_sents()

fedata=open('treebank_sents.txt','w')
ffdata=open('treebank_poss.txt','w')
for sent in sents:
    words,poss=[],[]
    for word,pos in sent:
        if (pos=='-NONE-'):
            continue
        words.append(word)
        poss.append(pos)
    fedata.write("{}\n".format(" ".join(words)))
    ffdata.write("{}\n".format(" ".join(poss)))
fedata.close()
ffdata.close()

我们来看一下数据是怎么样的:

Pierre Vinken , 61 years old , will join the board as a nonexecutive director Nov. 29 .
NNP NNP , CD NNS JJ , MD VB DT NN IN DT JJ NN NNP CD .

像上一篇文章一样,我们需要决定RNN网络输入的时间序列的长度。并且由于是单词级别的输入,还需要准备一个Embedding层,因此还需要决定单词数量有多少个。训练集数据有多少条也需要统计。最后由于是多对多的模型,以上数据对于Output 的序列Y来说也需要决定。

import collections
def parse_sentences(filename):
    word_freqs=collections.Counter()
    num_recs,max_len=0,0
    with open(filename) as f:
        for l in f:
            words=l.lower().strip().split()
            for w in words:
                word_freqs[w]+=1
            if(len(words)>max_len):
                max_len=len(words)
            num_recs+=1
    return word_freqs,max_len,num_recs

s_freq,s_maxlen,s_num=parse_sentences("treebank_sents.txt")
t_freq,t_maxlen,t_num=parse_sentences("treebank_poss.txt")
print("Words:",len(s_freq)," Max Seq Len:",s_maxlen," Records Num:",s_num)
print("Words:",len(t_freq)," Max Seq Len:",t_maxlen," Records Num:",t_num)

统计数据如下:

Words: 10947  Max Seq Len: 249  Records Num: 3914
Words: 45  Max Seq Len: 249  Records Num: 3914

训练集准备

由以上数据我们将Input词典数量定为5000,Output词典数量定为45,句子最长设定为100,并由此制作映射表转为Keras能够处理的数字形式。

MAX_SEQLEN=100
S_FEATURES=5000
T_FEATURES=45
s_vocabsize=S_FEATURES+2
s_word2index={w[0]:i+2 for i,w in enumerate(s_freq.most_common(S_FEATURES))}
s_word2index['PAD']=0
s_word2index['UNK']=1
s_index2word={v:k for k,v in s_word2index.items()}

t_vocabsize=T_FEATURES+1
# 原书籍中这里有错
t_word2index={w[0]:i+1 for i,w in enumerate(t_freq.most_common(T_FEATURES))}
t_word2index['PAD']=0
t_index2word={v:k for k,v in t_word2index.items()}

然后构建数据集并检查一下形状:

from keras.utils import to_categorical
from keras.preprocessing import sequence
def build_tensor(filename,num_recs,word2index,max_len,
                 make_categorical=False,num_classes=0):
    data=np.empty((num_recs,),dtype=list)
    fin=open(filename,'r')
    for i,line in enumerate(fin):
        wids=[]
        words=line.lower().strip().split()
        for w in words:            
            if(w in word2index.keys()):
                wids.append(word2index[w])
            else:
                wids.append(word2index['UNK'])
        # 如果是构建Y,需要用one-hot编码
        if make_categorical:
            wids=np.array([wids])
            wids=sequence.pad_sequences(wids,maxlen=max_len)
            data[i]=np.array(to_categorical(wids,num_classes=num_classes))
        # 如果是构建X,直接用ID即可,因为后面会用Embedding层处理
        else:
            data[i]=wids
    if(make_categorical):
        pdata=np.array([d.reshape((d.shape[1],d.shape[2])) for d in data])
    else:
        pdata=sequence.pad_sequences(data,maxlen=max_len)
    fin.close()    
    return pdata
X=build_tensor('treebank_sents.txt',s_num,s_word2index,MAX_SEQLEN)
Y=build_tensor('treebank_poss.txt',t_num,t_word2index,MAX_SEQLEN,
              make_categorical=True,num_classes=t_vocabsize)              
            

print(X.shape)
print(Y.shape)
(3914, 100)
(3914, 100, 46)

训练

from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest=train_test_split(X,Y,test_size=0.2,random_state=42)

先来用原书中的Encoder-Decoder结构

from keras import Sequential
from keras.layers import Embedding,SpatialDropout1D,GRU,LSTM,RepeatVector,TimeDistributed,Activation
from keras.layers import Dense,TimeDistributed
from keras.activations import softmax
from keras.optimizers import Adam
from keras.losses import categorical_crossentropy
EMBED_SIZE=128
HIDDEN_SIZE=128
BATCH_SIZE=32
model=Sequential()
model.add(Embedding(s_vocabsize,EMBED_SIZE,
                   input_length=MAX_SEQLEN))
model.add(SpatialDropout1D(0.2))
model.add(GRU(HIDDEN_SIZE,dropout=0.2,recurrent_dropout=0.2))
model.add(RepeatVector(MAX_SEQLEN))
model.add(GRU(HIDDEN_SIZE,return_sequences=True))
model.add(TimeDistributed(Dense(t_vocabsize)))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',
              metrics=['accuracy'])
#model.summary()

需要注意这里由于是多对多模型,用到了一个TimeDistributed连接,用于把全连接层用到每个时间步上的RNN单元,也就是最后一步中是多个箭头而不是一个箭头。

结构

NUM_EPOCHS=1
model.fit(Xtrain,Ytrain,batch_size=BATCH_SIZE,epochs=NUM_EPOCHS,
         validation_data=[Xtest,Ytest])
score,acc=model.evaluate(Xtest,Ytest,batch_size=BATCH_SIZE)
print('Test score:%.3f,accuracy:%.3f'%(score,acc))

结果如下:

Train on 3131 samples, validate on 783 samples
Epoch 1/1
3131/3131 [==============================] - 26s 8ms/step - loss: 1.5883 - acc: 0.7533 - val_loss: 1.2532 - val_acc: 0.7549
783/783 [==============================] - 1s 2ms/step
Test score:1.253,accuracy:0.755

75%,是不是看上去还行?我们实测几个数据来看一下。
前几个句子的应有的Output是像这样的:

NNP NNP , CD NNS JJ , MD VB DT NN IN DT JJ NN NNP CD .
NNP NNP VBZ NN IN NNP NNP , DT NNP VBG NN .
!head treebank_sents.txt>test_sent.txt
with open('test_sent.txt','r') as f:
    t_num=len(f.readlines())
my_test=build_tensor('test_sent.txt',t_num,s_word2index,MAX_SEQLEN)
r=model.predict(my_test)
for i in r:
    for w in i:
        print(t_index2word[np.argmax(w)],end=" ")
    print("\n")

然而我们的网络输出的结果却是

PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD 
PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD PAD 

全都成了填充词!原因就在于我们把每个句子不管长短都填充成了100个单词,其中比较短的句子将大部分由PAD组成,最后输出的结果即使全是PAD也会有比较高的准确率。这种样本不均匀的问题可以通过修改Loss或是填充其他样本的方式解决。参考https://nlpforhackers.io/lstm-pos-tagger-keras/,这里作者修改了metric参数,然而metric对于训练并没有影响,仅仅反映测试阶段的表现,不过也可以让我们了解到模型真实的表现水平,我们加上去看一下。

def ignore_class_accuracy(to_ignore=0):
    def ignore_accuracy(y_true, y_pred):
        y_true_class = K.argmax(y_true, axis=-1)
        y_pred_class = K.argmax(y_pred, axis=-1)
        ignore_mask = K.cast(K.not_equal(y_pred_class, to_ignore), 'int32')
        matches = K.cast(K.equal(y_true_class, y_pred_class), 'int32') * ignore_mask
        accuracy = K.sum(matches) / K.maximum(K.sum(ignore_mask), 1)
        return accuracy
    return ignore_accuracy

然而效果还是很差……


真实的准确率

为此我们怀疑是不是模型本身的问题,不再使用Encoder-Decoder模型,直接多到多输出。注意下面被注释掉的地方:

model=Sequential()
model.add(Embedding(s_vocabsize,EMBED_SIZE,
                   input_length=MAX_SEQLEN))
model.add(SpatialDropout1D(0.2))
#model.add(GRU(HIDDEN_SIZE,dropout=0.2,recurrent_dropout=0.2))
#model.add(RepeatVector(MAX_SEQLEN))
model.add(GRU(HIDDEN_SIZE,return_sequences=True))
model.add(TimeDistributed(Dense(t_vocabsize)))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',
              metrics=['accuracy'])
#model.summary()

重新fit一下,发现效果着实好多了


真实的准确率

总结

RNN填充的长度和策略很重要,为此需要调整lossmetrics来让网络学习到我们真正想要的内容。另外从词性分析本身来说,某个单词所对应的词性基本上也是固定的,只要让网络学到这种映射关系准确率就能很高。由于在这个任务中前后时间的关系没那么强烈,且句子长度较长,导致Encoder的信息不那么充分,Decoder结构表现较差。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,126评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,254评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,445评论 0 341
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,185评论 1 278
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,178评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,970评论 1 284
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,276评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,927评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,400评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,883评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,997评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,646评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,213评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,204评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,423评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,423评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,722评论 2 345

推荐阅读更多精彩内容