Introduktion till språkmodeller

Återkommande neurala nätverk (RNN) för språkmodellering med Keras

David Cecchini

Data Scientist

Meningssannolikhet

Många tillgängliga modeller

Sannolikheten för "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): $$P(\text{sentence}) = P(\text{I})P(\text{loved} | \text{I})P(\text{this} | \text{I loved})P(\text{movie} | \text{loved this})$$

Meningssannolikhet (forts.)

Skip gram
- $$P(\text{sentence}) = P(\text{context of I} | \text{I})P(\text{context of loved} | \text{loved}) \ $$ $$P(\text{context of this} | \text{this})P(\text{context of movie} | \text{movie})$$
Neurala nätverk
- Meningssannolikheten beräknas med en softmax-funktion på nätverkets utdatalager

Koppling till RNN:er

Språkmodeller finns överallt i RNN:er!

Nätverket i sig

RNN-modeller kan ses som en språkmodell, eftersom de kan användas för att förutsäga nästa ord.

Koppling till RNN (forts.)

Inbäddningslager

Visar en makrorepresentation av lagren i en modell. Inbäddningslagret måste vara det första lagret efter indatalagret och genererar en tät representation av orden.

Bygga vokabulärordlistor

# 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)}

Förbehandling av indata

# 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)

Omvandla nya texter

# 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)

Nu kör vi en övning!

Återkommande neurala nätverk (RNN) för språkmodellering med Keras