Transfer learning voor taalmodellen

Recurrent Neural Networks (RNN's) voor taalmodellen met Keras

David Cecchini

Data Scientist

Het idee achter transfer learning

Transfer learning:

Start met betere dan willekeurige begingewichten
Gebruik modellen getraind op zeer grote datasets
Open-source datascience-modellen

Beschikbare architecturen

Basisvoorbeeld: I really loved this movie

Word2Vec
- Continuous Bag of Words (CBOW) X = [I, really, this, movie], y = loved
- Skip-gram X = loved, y = [I, really, this, movie]
FastText X = [I, rea, eal, all, lly, really, ...], y = loved
- Gebruikt woorden en n-grammen van tekens
ELMo X = [I, really, loved, this], y = movie
- Gebruikt woorden, embeddings per context
- Gebruikt diepe bidirectionele taalmodellen (biLM)
Word2Vec en FastText zijn beschikbaar in pakket gensim en ELMo in tensorflow_hub

Voorbeeld met Word2Vec

from gensim.models import word2vec

# Train het model
w2v_model = word2vec.Word2Vec(tokenized_corpus, size=embedding_dim, 
                              window=neighbor_words_num, iter=100)

# Top 3 vergelijkbare woorden voor "captain" ophalen
w2v_model.wv.most_similar(["captain"], topn=3)

[('sweatpants', 0.7249663472175598),
('kirk', 0.7083336114883423),
('larry', 0.6495886445045471)]

Voorbeeld met FastText

from gensim.models import fasttext

# Instantieer het model
ft_model = fasttext.FastText(size=embedding_dim, window=neighbor_words_num)

# Bouw de woordenschat
ft_model.build_vocab(sentences=tokenized_corpus)

# Train het model
ft_model.train(sentences=tokenized_corpus, 
               total_examples=len(tokenized_corpus), 
               epochs=100)

Laten we oefenen!

Recurrent Neural Networks (RNN's) voor taalmodellen met Keras