Wprowadzenie do modeli językowych

Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras

David Cecchini

Data Scientist

Prawdopodobieństwo zdania

Wiele dostępnych modeli

Prawdopodobieństwo zdania „I loved this movie".
Unigram
- $$P(\text{sentence}) = P(\text{I})P(\text{loved})P(\text{this})P(\text{movie})$$
N-gram
- N = 2 (bigram): $$P(\text{sentence}) = P(\text{I})P(\text{loved} | \text{I})P(\text{this} | \text{loved})P(\text{movie} | \text{this})$$
- N = 3 (trigram): $$P(\text{sentence}) = P(\text{I})P(\text{loved} | \text{I})P(\text{this} | \text{I loved})P(\text{movie} | \text{loved this})$$

Prawdopodobieństwo zdania (cd.)

Skip-gram
- $$P(\text{sentence}) = P(\text{context of I} | \text{I})P(\text{context of loved} | \text{loved}) \ $$ $$P(\text{context of this} | \text{this})P(\text{context of movie} | \text{movie})$$
Sieci neuronowe
- Prawdopodobieństwo zdania wyznacza funkcja softmax na warstwie wyjściowej sieci

Związek z RNN

Modele językowe są wszechobecne w RNN!

Sama sieć

Modele RNN można traktować jako modele językowe, ponieważ umożliwiają przewidywanie kolejnego słowa.

Związek z RNN (cd.)

Warstwa osadzeń (embedding)

Przedstawia ogólną reprezentację warstw modelu. Warstwa osadzeń musi być pierwszą warstwą po warstwie wejściowej i generuje gęstą reprezentację słów.

Tworzenie słowników słownictwa

# Get unique words
unique_words = list(set(text.split(' ')))

# Create dictionary: word is key, index is value
word_to_index = {k:v for (v,k) in enumerate(unique_words)}

# Create dictionary: index is key, word is value
index_to_word = {k:v for (k,v) in enumerate(unique_words)}

Wstępne przetwarzanie danych wejściowych

# Initialize variables X and y
X = []
y = []

# Loop over the text: length `sentence_size` per time with step equal to `step`
for i in range(0, len(text) - sentence_size, step):

    X.append(text[i:i + sentence_size])
    y.append(text[i + sentence_size])

# Example (numbers are numerical indexes of vocabulary):
# Sentence is: "i loved this movie" -> (["i", "loved", "this"], "movie")
X[0],y[0] = ([10, 444, 11], 17)

Przekształcanie nowych tekstów

# Create list to keep the sentences of indexes
new_text_split = []

# Loop and get the indexes from dictionary
for sentence in new_text:

    sent_split = []

    for wd in sentence.split(' '):

        ix = wd_to_index[wd]

        sent_split.append(ix)

    new_text_split.append(sent_split)

Czas na ćwiczenia!

Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras