Introducere în modelele de limbaj

Rețele Neuronale Recurente (RNN) pentru Modelare a Limbajului cu Keras

David Cecchini

Data Scientist

Probabilitatea unei propoziții

Modele disponibile

Probabilitatea propoziției "I loved this movie".
Unigramă
- $$P(\text{sentence}) = P(\text{I})P(\text{loved})P(\text{this})P(\text{movie})$$
N-gramă
- N = 2 (bigramă): $$P(\text{sentence}) = P(\text{I})P(\text{loved} | \text{I})P(\text{this} | \text{loved})P(\text{movie} | \text{this})$$
- N = 3 (trigramă): $$P(\text{sentence}) = P(\text{I})P(\text{loved} | \text{I})P(\text{this} | \text{I loved})P(\text{movie} | \text{loved this})$$

Probabilitatea unei propoziții (cont.)

Skip-gram
- $$P(\text{sentence}) = P(\text{context of I} | \text{I})P(\text{context of loved} | \text{loved}) \ $$ $$P(\text{context of this} | \text{this})P(\text{context of movie} | \text{movie})$$
Rețele neuronale
- Probabilitatea propoziției este dată de funcția softmax pe stratul de ieșire al rețelei

Legătura cu RNN-urile

Modelele de limbaj sunt omniprezente în RNN-uri!

Rețeaua în sine

Modelele RNN pot fi privite ca modele de limbaj, deoarece pot fi folosite pentru a prezice cuvântul următor.

Legătura cu RNN-urile (cont.)

Stratul de embedding

Reprezentare schematică a straturilor unui model. Stratul de embedding trebuie să fie primul strat după cel de intrare și generează o reprezentare densă a cuvintelor.

Construirea dicționarelor de vocabular

# 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)}

Preprocesarea intrărilor

# 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)

Transformarea textelor noi

# 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)

Să exersăm!

Rețele Neuronale Recurente (RNN) pentru Modelare a Limbajului cu Keras