CNN深度神经网络在NLP短文本相似的的应用

2024-04-28 05:32

本文主要是介绍CNN深度神经网络在NLP短文本相似的的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

转载自:https://blog.csdn.net/diye2008/article/details/53762124?ref=myread
本文的内容是紧接着上一篇文章的内容,上一篇文章讲到 CNN在文本分类领域的应用,本文将讨论其在文本相似度计算方面的应用,文本相似度可以用于搜索引擎、文本去重、文本挖掘、推荐系统等多个领域,也是NLP中需要处理的一类任务。

0.文本相似度计算

所谓文本相似度计算,是指给定两个文本(一般为字符串),并通过算法给出其相似度幅度的衡量,一般计算结果为0-1之间的值,下面简单介绍几种,较为传统和常见的文本相似度计算的方法,然后再姐好啊使用CNN的方法。

   一.传统的文本相似度计算的方法:1.1  最长公共子序列及最长公共子串:该种方法思路较为简单,直接使用lcs(最长公共子序列)算法,设字符串A长度为L1,字符串长度为L2,它们的最长公共子串长度为lcs,那么这两个字符串相似度的度量为  sim = 2lcs/(L1+L2)。LCS算法的具体描述可参见LCS 。1.2  余弦相似度:该种方法思路一样非常简单,将两个字符串进行分词,并将其量化为多维空间上的点,计算两个文本的余弦相似度即可, 具体公式和LCS算法的方式类似,就不在赘述 。1.3   其他除了以上两种思路外,还有编辑距离 、 jaccard距离 、 simhash 等等,使用的方法也较为类似,因为不是本文的重点,因此也不在赘述。二. 使用CNN的方法2.1 使用CNN来进行文本相似度计算的原因:首先这里文本相似度计算的输入是指 两个字符串,比如字符串A = ‘书写代码,改变世界’  字符串B = ‘地产兴邦,称霸世界’,那么我们如何计算他们的文本相似度呢,一个是直接用本文中提到过的 传统的文本相似度计算方法来计算,如果任务的要求不高,直接拿字符串A和B计算即可。那么为什么又需要使用cnn和词向量的方法来计算文本相似度呢???这是因为传统文本相似度算法,侧重于文本本身的相似度计算,因此需要大量的归一化的过程,例如中文数字和阿拉伯数字的归一化,中英文 单位的归一化(例如kg和千克)。但是即使通过归一化的方法,仍然有很多语义相似文本无法通过这种方法得到满意的结果。比如两道数学题, 题1 = '一个苹果+二个苹果等于多少个苹果?', 题2=‘一个香蕉+二个香蕉等于多少个香蕉’,显然这两道题语义是高度接近的,但是用传统的文本相似度计算方法,计算得到的相似度是非常低的,这不能满足现代互联网或其他领域对文本语义相似度任务的需要,于是需要使用cnn和词向量的方式来计算文本语义相似度,这是因为词向量的固有特性,如果对词向量有所不了解可参见我的上一篇文章文本分类

中关于词向量的介绍。

     2.2 文本预处理的过程:这里文本预处理过程和文本分类一文中文本预处理的内容大同小异,看过该文的可以直接跳过这一步。首先文本相似度计算输入的 来源是两个字符串,比如字符串A = ‘书写代码,改变世界’  字符串B = ‘地产兴邦,称霸世界’。

以字符串A的处理来说明问题,这部分主要是分3步,共4种状态。1.将原始文本分词并转换成以词的序列 2.将词序列转换成以词编号(每个词表中的词都有唯一编号)为元素的序列 3.将词的编号序列中的每个元素(某个词)展开为词向量的形式。下面通过一张图(本人手画简图。。。。囧)来表示这个过程,如下图所示:

上述图片,以’书写代码,改变世界’ 这一文本字符串为例,介绍了将其转换成词向量为元素的序列表示,最后得到了一个2维矩阵,该矩阵可用于后续神经网络的训练等操作。

     2.3 神经网络模块的设计本文关于神经网络设计的思想来自于以下keras中文文档中的:泛型编程 这一届中微博相似度计算启发而来。并结合了实际需要而设计的。我下面结合一张神经网络设计图,来说明本文中所使用的神经网络,具体设计图(又是手画图,囧)如下:

简要介绍下上面的图,第一层数据输入层,将文本序列展开成词向量的序列,之后两个不同的输入流 ,这里因为有两个输入(字符串A和字符串B),垂直方向则放置了2个完全一样的层组合(卷积层、激活层、池化层的组合)。之后连接全连接层和激活层,激活层采用sigmoid并输出该文本属于某类的概率,这个输出的值是个0-1之间的浮点数,该值代表 文本A和文本B的相似程度,值越大相似程度越大。

   2.4 编程实现所需要的框架和数据集等2.4.1 框架:本文采用keras框架来编写神经网络,关于keras的介绍请参见莫言大神翻译的 keras中文文档2.4.2 数据集:采用的是1w条,标记好是否是语义相近的相似文本,比如一道数学题和另一道数学题,如果语义相似则标记为1,如果不同则标记为0.2.4.3 词向量:虽然keras框架已经有embedding层,但是本文采用glove词向量作为预训练的词向量,glove的介绍和下载地址如下(打开会比较慢):

http://nlp.stanford.edu/projects/glove/

    2.5 代码和相应的注释在2.3部分已经通过一张图介绍了神经网络的设计部分,但是考虑到不够直观,这里还是把所使用的代码,罗列如下,采用keras编程,关键部分都已经罗列注释:

[python] view plain copy

from keras.layers import Input, LSTM, Dense, merge, Conv1D, MaxPooling1D, Flatten, Embedding, Dropout  
from keras.models import Model  
import numpy as np  
from keras.utils.np_utils import to_categorical  
from keras.preprocessing.text import Tokenizer  
from keras.preprocessing.sequence import pad_sequences  
import pdb  
from keras import backend as K  import theano.tensor as T # tensor  
from theano import function # function  
from keras.engine.topology import Layer  
import os  
import sys  
import jieba  
jieba.load_userdict("./science")  input_train = sys.argv[1] # s_label_zfli  BASE_DIR = '.'  
GLOVE_DIR = BASE_DIR + '/wordvec/' # 预训练词向量的地址  
MAX_SEQUENCE_LENGTH = 200  
MAX_NB_WORDS = 200000  
EMBEDDING_DIM = 200  
VALIDATION_SPLIT = 0.2  print('Indexing word vectors.')  embeddings_index = {}  
#f = open(os.path.join(GLOVE_DIR, '125_vec'))   
f = open(os.path.join(GLOVE_DIR, 'old_vec')) # 预训练的词向量,可使用Word2vec自行训练,下面几行就是依次读入词向量  
for line in f:  values = line.split()  word = values[0]  coefs = np.asarray(values[1:], dtype='float32')  embeddings_index[word] = coefs  
f.close()  print('Found %s word vectors.' % len(embeddings_index))  print('Processing text dataset')  # good  texts = []  # list of text samples  
labels_index = {}  # dictionary mapping label name to numeric id  labels = []  # list of label ids  
train_left = []  
train_right = []  
# 下面几行是读入训练集,训练集是 两个 字符串和一个这两个字符串是否相似的标记  
for line in  file(sys.argv[1]): # train,读入训练集  line  = line.strip()  tmp = line  line = line.split('\1')  if len(line)<5:  continue  label_id = line[0]  tid = line[1]  title = line[2]  tid = line[3]  title_right = line[4].strip() # need strip at this line  seg_list = jieba.cut(title)   seg_list_right = jieba.cut(title_right)   text_left = (' '.join(seg_list)).encode('utf-8','ignore').strip()  text_right = (' '.join(seg_list_right)).encode('utf-8','ignore').strip()  #print text_left  #print text_right  texts.append(text_left)  texts.append(text_right)  labels.append(float(label_id))  train_left.append(text_left)  train_right.append(text_right)  print('Found %s left.' % len(train_left))  
print('Found %s right.' % len(train_right))  
print('Found %s labels.' % len(labels))  # finally, vectorize the text samples into a 2D integer tensor  
tokenizer = Tokenizer(nb_words=MAX_NB_WORDS)  
tokenizer.fit_on_texts(texts)  sequences_left = tokenizer.texts_to_sequences(train_left)  
sequences_right = tokenizer.texts_to_sequences(train_right)  
#for item  in sequences_left:  
#    print item  word_index = tokenizer.word_index  
print('Found %s unique tokens.' % len(word_index))  data_left = pad_sequences(sequences_left, maxlen=MAX_SEQUENCE_LENGTH,padding='pre', truncating='post')  
data_right = pad_sequences(sequences_right, maxlen=MAX_SEQUENCE_LENGTH, truncating='post')  
labels = np.array(labels)  #labels = to_categorical(np.asarray(labels))  # split the data into a training set and a validation set  
indices = np.arange(data_left.shape[0])  
np.random.shuffle(indices)  data_left = data_left[indices]  
data_right = data_right[indices]  labels = labels[indices]  
nb_validation_samples = int(VALIDATION_SPLIT * data_left.shape[0]) # create val and sp  input_train_left = data_left[:-nb_validation_samples]  
input_train_right = data_right[:-nb_validation_samples]  val_left = data_left[-nb_validation_samples:]  
val_right = data_right[-nb_validation_samples:]  labels_train = labels[:-nb_validation_samples]  
labels_val = labels[-nb_validation_samples:]  print('Preparing embedding matrix.')  # prepare embedding matrix  
nb_words = min(MAX_NB_WORDS, len(word_index))  
#print type(word_index)  
#for  item in word_index:  
#     print item + '\t' + str(word_index[item])  
embedding_matrix = np.zeros((nb_words + 1, EMBEDDING_DIM))  
for word, i in word_index.items():  if i > MAX_NB_WORDS:  continue  embedding_vector = embeddings_index.get(word)  if embedding_vector is not None:  # words not found in embedding index will be all-zeros.  embedding_matrix[i] = embedding_vector # word_index to word_embedding_vector ,<20000(nb_words)  
# load pre-trained word embeddings into an Embedding layer  
# note that we set trainable = False so as to keep the embeddings fixed  
''''' 
embedding_layer = Embedding(nb_words + 1, EMBEDDING_DIM, input_length=MAX_SEQUENCE_LENGTH, weights=[embedding_matrix], trainable=True) 
'''  print('Training model.')  # train a 1D convnet with global maxpoolinnb_wordsg  
#left model  ''''' 
data_1 = np.random.randint(low = 0, high = 200, size = (500, 140)) 
data_2 = np.random.randint(low = 0 ,high = 200, size = (500, 140)) 
labels = np.random.randint(low=0, high=2, size=(500, 1)) 
#labels = to_categorical(labels, 10) # to one-hot 
'''  tweet_a = Input(shape=(MAX_SEQUENCE_LENGTH,))  
tweet_b = Input(shape=(MAX_SEQUENCE_LENGTH,))  tweet_input = Input(shape=(MAX_SEQUENCE_LENGTH,))  
# 下面这些行是神经网络构造的内容,可参见上面的网络设计图  
embedding_layer = Embedding(nb_words + 1, EMBEDDING_DIM, input_length=MAX_SEQUENCE_LENGTH, weights=[embedding_matrix], trainable=True)(tweet_input)  conv1 = Conv1D(128, 3, activation='tanh')(embedding_layer)  
drop_1 = Dropout(0.2)(conv1)  
max_1 = MaxPooling1D(3)(drop_1)  
conv2 = Conv1D(128, 3, activation='tanh')(max_1)  
drop_2 = Dropout(0.2)(conv2)  
max_2 = MaxPooling1D(3)(drop_2)  
#conv2 = Conv1D(128, 3, activation='tanh')(max_1)  
#max_2 = MaxPooling1D(3)(conv2)  
out_1 = Flatten()(max_1)  
#out_1 = LSTM(128)(max_1)  
model_encode = Model(tweet_input, out_1) # 500(examples) * 5888  encoded_a = model_encode(tweet_a)  
encoded_b = model_encode(tweet_b)  merged_vector = merge([encoded_a, encoded_b], mode='concat') # good  
dense_1 = Dense(128,activation='relu')(merged_vector)  
dense_2 = Dense(128,activation='relu')(dense_1)  
dense_3 = Dense(128,activation='relu')(dense_2)  predictions = Dense(1, activation='sigmoid')(dense_3)  
#predictions = Dense(len(labels_index), activation='softmax')(merged_vector)  model = Model(input=[tweet_a, tweet_b], output=predictions)  
model.compile(optimizer='rmsprop',  loss='binary_crossentropy',  metrics=['accuracy'])  
# 下面是训练程序  
model.fit([input_train_left,input_train_right], labels_train, nb_epoch=5)  
json_string = model.to_json()  # json_string = model.get_config()  
open('my_model_architecture.json','w').write(json_string)    
model.save_weights('my_model_weights.h5')    
# 下面是训练得到的神经网络进行评估  
score = model.evaluate([input_train_left,input_train_right], labels_train, verbose=0)   
print('train score:', score[0]) # 训练集中的loss  
print('train accuracy:', score[1]) # 训练集中的准确率  
score = model.evaluate([val_left, val_right], labels_val, verbose=0)   
print('Test score:', score[0])#测试集中的loss  
print('Test accuracy:', score[1]) #测试集中的准确率  

上述代码和注释较为详细的描述了该神经网络的结构,但是实际使用代码时最好去除中文注释部分,否则可能会有一些编码问题。由于上述代码和我上一篇文章有很多结构上的相似,如果遇到一些不懂得地方也可以参照上一篇的代码注释来学习。

三.总结

本文描述了如何使用深度学习和keras框架构建一个文本分类器的全过程,并给出了相应的代码实现,为了方便大家使用,下面给出本文代码的github下载地址 。

这篇关于CNN深度神经网络在NLP短文本相似的的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/942427

相关文章

C语言中位操作的实际应用举例

《C语言中位操作的实际应用举例》:本文主要介绍C语言中位操作的实际应用,总结了位操作的使用场景,并指出了需要注意的问题,如可读性、平台依赖性和溢出风险,文中通过代码介绍的非常详细,需要的朋友可以参... 目录1. 嵌入式系统与硬件寄存器操作2. 网络协议解析3. 图像处理与颜色编码4. 高效处理布尔标志集合

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Java中的Lambda表达式及其应用小结

《Java中的Lambda表达式及其应用小结》Java中的Lambda表达式是一项极具创新性的特性,它使得Java代码更加简洁和高效,尤其是在集合操作和并行处理方面,:本文主要介绍Java中的La... 目录前言1. 什么是Lambda表达式?2. Lambda表达式的基本语法例子1:最简单的Lambda表

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Python结合PyWebView库打造跨平台桌面应用

《Python结合PyWebView库打造跨平台桌面应用》随着Web技术的发展,将HTML/CSS/JavaScript与Python结合构建桌面应用成为可能,本文将系统讲解如何使用PyWebView... 目录一、技术原理与优势分析1.1 架构原理1.2 核心优势二、开发环境搭建2.1 安装依赖2.2 验

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

SpringShell命令行之交互式Shell应用开发方式

《SpringShell命令行之交互式Shell应用开发方式》本文将深入探讨SpringShell的核心特性、实现方式及应用场景,帮助开发者掌握这一强大工具,具有很好的参考价值,希望对大家有所帮助,如... 目录引言一、Spring Shell概述二、创建命令类三、命令参数处理四、命令分组与帮助系统五、自定

SpringBoot应用中出现的Full GC问题的场景与解决

《SpringBoot应用中出现的FullGC问题的场景与解决》这篇文章主要为大家详细介绍了SpringBoot应用中出现的FullGC问题的场景与解决方法,文中的示例代码讲解详细,感兴趣的小伙伴可... 目录Full GC的原理与触发条件原理触发条件对Spring Boot应用的影响示例代码优化建议结论F

MySQL 分区与分库分表策略应用小结

《MySQL分区与分库分表策略应用小结》在大数据量、复杂查询和高并发的应用场景下,单一数据库往往难以满足性能和扩展性的要求,本文将详细介绍这两种策略的基本概念、实现方法及优缺点,并通过实际案例展示如... 目录mysql 分区与分库分表策略1. 数据库水平拆分的背景2. MySQL 分区策略2.1 分区概念

Spring Shell 命令行实现交互式Shell应用开发

《SpringShell命令行实现交互式Shell应用开发》本文主要介绍了SpringShell命令行实现交互式Shell应用开发,能够帮助开发者快速构建功能丰富的命令行应用程序,具有一定的参考价... 目录引言一、Spring Shell概述二、创建命令类三、命令参数处理四、命令分组与帮助系统五、自定义S