自己动手实现神经网络分词模型

分词作为NLP的基础工作之一，对模型的效果有直接的影响。一个效果好的分词，可以让模型的性能更好。

在尝试使用神经网络来分词之前，我使用过jieba分词，以下是一些感受：

分词速度快
词典直接影响分词效果，对于特定领域的文本，词典不足，导致分词效果不尽人意
对于含有较多错别字的文本，分词效果很差

后面两点是其主要的缺点。根据实际效果评估，我发现使用神经网络分词，这两个点都有不错的提升。

本文将带你使用tensorflow实现一个基于BiLSTM+CRF的神经网络中文分词模型。

完整代码已经开源: luozhouyang/deepseg
。

怎幺做分词

分词的想法和 NER
十分接近，区别在于，NER对各种词打上对应的实体标签，而分词对各个字打上位置标签。

目前，项目一共只有以下5中标签：

B，处于一个词语的开始
M，处于一个词语的中间
E，处于一个词语的末尾
S，单个字
O，未知

举个更加详细的例子，假设我们有一个文本字符串：

'上','海','市','浦','东','新','区','张','东','路','1387','号'

它对应的分词结果应该是：

上海市 浦东新区 张东路 1387 号

所以，它的标签应该是：

'B','M','E','B','M','M','E','B','M','E','S','S'

所以，对于我们的分词模型来说，最重要的任务就是，对于输入序列的每一个token，打上一个标签，然后我们处理得到的标签数据，就可以得到分词效果。

用神经网络给序列打标签，方法肯定还有很多。目前项目使用的是 双向LSTM网络后接CRF
这样一个网络。这部分会在后面详细说明。

以上就是我们分词的做法概要，如你所见，网络其实很简单。

Estimator

项目使用tensorflow的 estimator API
完成，因为estimator是一个高级封装，我们只需要专注于核心的工作即可，并且它可以轻松实现分布式训练。如果你还没有尝试过，建议你试一试。

estimator的官方文档可以很好地帮助你入门：estimator

使用estimator构建网络，核心任务是：

构建一个高效的数据输入管道
构建你的神经网络模型

对于数据输入管道，本项目使用tensorflow的Dataset API，这也是官方推荐的方式。

具体来说，给estimator喂数据，需要实现一个 input_fn
，这个函数不带参数，并且返回 (features, labels)
元组。当然，对于 PREDICT
模式， labels
为 None
。

要构建神经网络给estimator，需要实现一个 model_fn(features, labels, mode, params, config)
，返回一个 tf.estimator.EstimatorSepc
对象。

更多的内容，请访问官方文档。

构建input_fn

首先，我们的数据输入需要分三种模式 TRAIN
、 EVAL
、 PREDICT
讨论。

TRAIN
模式即模型的训练，这个时候使用的是数据集是 训练集
，需要返回 (features,labels)
元组

EVAL
模式即模型的评估，这个时候使用的是数据集的 验证集
，需要返回 (features,labels)
元组

PREDICT
模式即模型的预测，这个时候使用的数据集是 测试集
，需要返回 (features,None)
元组

以上的 features
和 labels
可以是任意对象，比如 dict
，或者是自己定义的 python class
。实际上，比较推荐使用dict的方式，因为这种方式比较灵活，并且在你需要导出模型到serving的时候，特别有用。这一点会在后面进一步说明。

那幺，接下来可以为上面三种模式分别实现我们的 inpuf_fn
。

对于最常见的 TRAIN
模式：

def build_train_dataset(params):
    """Build data for input_fn in training mode.
    Args:
        params: A dict
    Returns:
        A tuple of (features,labels).
    """
    src_file = params['train_src_file']
    tag_file = params['train_tag_file']
    if not os.path.exists(src_file) or not os.path.exists(tag_file):
        raise ValueError("train_src_file and train_tag_file must be provided")
    src_dataset = tf.data.TextLineDataset(src_file)
    tag_dataset = tf.data.TextLineDataset(tag_file)
    dataset = _build_dataset(src_dataset, tag_dataset, params)
    iterator = dataset.make_one_shot_iterator()
    (src, src_len), tag = iterator.get_next()
    features = {
        "inputs": src,
        "inputs_length": src_len
    }
    return features, tag

使用tensorflow的Dataset API很简单就可以构建出数据输入管道。首先，根据参数获取训练集文件，分别构建出一个 tf.data.TextLineDataset
对象，然后构建出数据集。根据数据集的迭代器，获取每一批输入的 (features,labels)
元组。每一次训练的迭代，这个元组都会送到 model_fn
的前两个参数 (features,labels,...)
中。

根据代码可以看到，我们这里的 features
是一个 dict
，每一个键都存放着一个 Tensor
：

inputs
：文本数据构建出来的字符张量，形状是 (None,None)

inputs_length
：文本分词后的长度张量，形状是 (None)

而我们的 labels
就是一个张量，具体是什幺呢？需要看一下 _build_dataset()
函数做了什幺：

def _build_dataset(src_dataset, tag_dataset, params):
    """Build dataset for training and evaluation mode.
    Args:
        src_dataset: A `tf.data.Dataset` object
        tag_dataset: A `tf.data.Dataset` object
        params: A dict, storing hyper params
    Returns:
        A `tf.data.Dataset` object, producing features and labels.
    """
    dataset = tf.data.Dataset.zip((src_dataset, tag_dataset))
    if params['skip_count'] > 0:
        dataset = dataset.skip(params['skip_count'])
    if params['shuffle']:
        dataset = dataset.shuffle(
            buffer_size=params['buff_size'],
            seed=params['random_seed'],
            reshuffle_each_iteration=params['reshuffle_each_iteration'])
    if params['repeat']:
        dataset = dataset.repeat(params['repeat']).prefetch(params['buff_size'])
    dataset = dataset.map(
        lambda src, tag: (
            tf.string_split([src], delimiter=",").values,
            tf.string_split([tag], delimiter=",").values),
        num_parallel_calls=params['num_parallel_call']
    ).prefetch(params['buff_size'])
    dataset = dataset.filter(
        lambda src, tag: tf.logical_and(tf.size(src) > 0, tf.size(tag) > 0))
    dataset = dataset.filter(
        lambda src, tag: tf.equal(tf.size(src), tf.size(tag)))
    if params['max_src_len']:
        dataset = dataset.map(
            lambda src, tag: (src[:params['max_src_len']],
                              tag[:params['max_src_len']]),
            num_parallel_calls=params['num_parallel_call']
        ).prefetch(params['buff_size'])
    dataset = dataset.map(
        lambda src, tag: (src, tf.size(src), tag),
        num_parallel_calls=params['num_parallel_call']
    ).prefetch(params['buff_size'])
    dataset = dataset.padded_batch(
        batch_size=params.get('batch_size', 32),
        padded_shapes=(
            tf.TensorShape([None]),
            tf.TensorShape([]),
            tf.TensorShape([None])),
        padding_values=(
            tf.constant(params['pad'], dtype=tf.string),
            0,
            tf.constant(params['oov_tag'], dtype=tf.string)))
    dataset = dataset.map(
        lambda src, src_len, tag: ((src, src_len), tag),
        num_parallel_calls=params['num_parallel_call']
    ).prefetch(params['buff_size'])
    return dataset

虽然代码都很直白，在此还是总结一下以上数据处理的步骤：

,

上述过程，最重要的就是 padded_batch
这一步了。经过之前的处理，现在我们的数据包含以下三项信息：

src
src_len
tag

把数据喂入网络之前，我们需要对这些数据进行对齐操作。什幺是 对齐
呢？顾名思义：在这一批数据中，找出最长序列的长度，以此为标准，如果序列比这个长度更短，则文本序列在末尾追加特殊标记（例如 <PAD>
），标签序列在末尾追加标签的特殊标记（例如 O
）。因为大家的长度都是不定的，所以要补齐多少个特殊标记也是不定的，所以 padded_shapes
里面设置成 tf.TensorShape([None])
即可，函数会自动计算长度的差值，然后进行补齐。

而 src_len
一项是不需要对齐的，因为所有的 src_len
都是一个scalar。

至此， TRAIN
模式下的数据输入准备好了。

EVAL
模式下的数据准备和 TRAIN
模式一模一样，唯一的差别在于使用的数据集不一样， TRAIN
模式使用的是 训练集
，但是 EVAL
使用的是 验证集
，所以只需要改一下文件即可。以下是 EVAL
模式的数据准备过程：

def build_eval_dataset(params):
    """Build data for input_fn in evaluation mode.
    Args:
        params: A dict.
    Returns:
        A tuple of (features, labels).
    """
    src_file = params['eval_src_file']
    tag_file = params['eval_tag_file']
    if not os.path.exists(src_file) or not os.path.exists(tag_file):
        raise ValueError("eval_src_file and eval_tag_file must be provided")
    src_dataset = tf.data.TextLineDataset(src_file)
    tag_dataset = tf.data.TextLineDataset(tag_file)
    dataset = _build_dataset(src_dataset, tag_dataset, params)
    iterator = dataset.make_one_shot_iterator()
    (src, src_len), tag = iterator.get_next()
    features = {
        "inputs": src,
        "inputs_length": src_len
    }
    return features, tag

至于 PREDICT
模式，稍微有点特殊，因为要对序列进行预测，我们是没有标签数据的。所以，我们的数据输入只有 features
这一项， labels
这一项只能是 None
。该模式下的数据准备如下：

def build_predict_dataset(params):
    """Build data for input_fn in predict mode.
    Args:
        params: A dict.
    Returns:
        A tuple of (features, labels), where labels are None.
    """
    src_file = params['predict_src_file']
    if not os.path.exists(src_file):
        raise FileNotFoundError("File not found: %s" % src_file)
    dataset = tf.data.TextLineDataset(src_file)
    if params['skip_count'] > 0:
        dataset = dataset.skip(params['skip_count'])
    dataset = dataset.map(
        lambda src: tf.string_split([src], delimiter=",").values,
        num_parallel_calls=params['num_parallel_call']
    ).prefetch(params['buff_size'])
    dataset = dataset.map(
        lambda src: (src, tf.size(src)),
        num_parallel_calls=params['num_parallel_call']
    ).prefetch(params['buff_size'])
    dataset = dataset.padded_batch(
        params.get('batch_size', 32),
        padded_shapes=(
            tf.TensorShape([None]),
            tf.TensorShape([])),
        padding_values=(
            tf.constant(params['pad'], dtype=tf.string),
            0))
    iterator = dataset.make_one_shot_iterator()
    (src, src_len) = iterator.get_next()
    features = {
        "inputs": src,
        "inputs_length": src_len
    }
    return features, None

整体的思路差不多，值得注意的是， PREDICT
模式的数据不能够打乱数据。同样的进行对齐和分批之后，就可以通过迭代器获取到 features
数据，然后返回 (features,labels)
元组，其中 labels=None
。

至此，我们的input_fn就实现了！

值得注意的是，estimator需要的 input_fn
是一个没有参数的函数，我们这里的 input_fn
是有参数的，那怎幺办呢？用 funtiontools
转化一下即可，更详细的内容请查看源码。

还有一个很重要的一点，
很多项目都会在这个 input_fn
里面讲字符序列转化成数字序列
，但是我们没有这幺做，而是 依然保持是字符
，为什幺：

因为这样就可以把这个转化过程放到网络的构建过程中，这样的话，导出模型所需要的 serving_input_receiver_fn
的构建就会很简单！

这一点详细地说明一下。如果我们把字符数字化放到网络里面去，那幺我们导出模型所需要的 serving_input_receiver_fn
就可以这样写：

def server_input_receiver_fn()
    receiver_tensors{
        "inputs": tf.placeholder(dtype=tf.string, shape=(None,None)),
        "inputs_length": tf.placeholder(dtype=tf.int32, shape=(None))
    }
    features = receiver_tensors.copy()
    return tf.estimator.export.ServingInputReceiver(
        features=features,
        receiver_tensors=receiver_tensors)

可以看到， 我们在这里也不需要把接收到的字符张量数字化
！

相反，如果我们在处理数据集的时候进行了字符张量的数字化，那就意味着构建网络的部分 没有数字化这个步骤
！所有 喂给网络的数据都是已经数字化的
！

这也就意味着，
你的 serving_input_receiver_fn
也需要对字符张量数字化
！这样就会使得代码比较复杂！

说了这幺多，其实就一点：

在 input_fn
里面不要把字符张量转化成数字张量！把这个过程放到网络里面去！

构建神经网络

接下来是最重要的步骤，即构建出我们的神经网络，也就是实现 model_fn(features,labels,mode,params,config)
这个函数。

首先，我们的参数中的 features
和 labels
都是字符张量，老规矩，我们需要进行 word embedding
。代码很简单：

words = features['inputs']
nwords = features['inputs_length']
# a UNK token should placed in the first row in vocab file
words_str2idx = lookup_ops.index_table_from_file(
    params['src_vocab'], default_value=0)
words_ids = words_str2idx.lookup(words)
training = mode == tf.estimator.ModeKeys.TRAIN
# embedding
with tf.variable_scope("embedding", reuse=tf.AUTO_REUSE):
    variable = tf.get_variable(
        "words_embedding",
        shape=(params['vocab_size'], params['embedding_size']),
        dtype=tf.float32)
    embedding = tf.nn.embedding_lookup(variable, words_ids)
    embedding = tf.layers.dropout(
        embedding, rate=params['dropout'], training=training)

接下来，把词嵌入之后的数据，输入到一个 双向LSTM
网络：

# BiLSTM
with tf.variable_scope("bilstm", reuse=tf.AUTO_REUSE):
    # transpose embedding for time major mode
    inputs = tf.transpose(embedding, perm=[1, 0, 2])
    lstm_fw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
    lstm_bw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
    (output_fw, output_bw), _ = tf.nn.bidirectional_dynamic_rnn(
        cell_fw=lstm_fw,
        cell_bw=lstm_bw,
        inputs=inputs,
        sequence_length=nwords,
        dtype=tf.float32,
        swap_memory=True,
        time_major=True)
    output = tf.concat([output_fw, output_bw], axis=-1)
    output = tf.transpose(output, perm=[1, 0, 2])
    output = tf.layers.dropout(
        output, rate=params['dropout'], training=training)

BiLSTM出来的结果，接入一个CRF层：

logits = tf.layers.dense(output, params['num_tags'])
with tf.variable_scope("crf", reuse=tf.AUTO_REUSE):
    variable = tf.get_variable(
        "transition",
        shape=[params['num_tags'], params['num_tags']],
        dtype=tf.float32)
predict_ids, _ = tf.contrib.crf.crf_decode(logits, variable, nwords)
return logits, predict_ids

返回的 logits
用来计算loss，更新权重。

损失计算如下：

def compute_loss(self, logits, labels, nwords, params):
    """Compute loss.
    Args:
        logits: A tensor, output of dense layer
        labels: A tensor, the ground truth label
        nwords: A tensor, length of inputs
        params: A dict, storing hyper params
    Returns:
        A loss tensor, negative log likelihood loss.
    """
    tags_str2idx = lookup_ops.index_table_from_file(
        params['tag_vocab'], default_value=0)
    actual_ids = tags_str2idx.lookup(labels)
    # get transition matrix created before
    with tf.variable_scope("crf", reuse=True):
        trans_val = tf.get_variable(
            "transition",
            shape=[params['num_tags'], params['num_tags']],
            dtype=tf.float32)
    log_likelihood, _ = tf.contrib.crf.crf_log_likelihood(
        inputs=logits,
        tag_indices=actual_ids,
        sequence_lengths=nwords,
        transition_params=trans_val)
    loss = tf.reduce_mean(-log_likelihood)
    return loss

定义好了损失，我们就可以选择一个 优化器
来训练我们的网络啦。代码如下：

def build_train_op(self, loss, params):
    global_step = tf.train.get_or_create_global_step()
    if params['optimizer'].lower() == 'adam':
        opt = tf.train.AdamOptimizer()
        return opt.minimize(loss, global_step=global_step)
    if params['optimizer'].lower() == 'momentum':
        opt = tf.train.MomentumOptimizer(
            learning_rate=params.get('learning_rate', 1.0),
            momentum=params['momentum'])
        return opt.minimize(loss, global_step=global_step)
    if params['optimizer'].lower() == 'adadelta':
        opt = tf.train.AdadeltaOptimizer()
        return opt.minimize(loss, global_step=global_step)
    if params['optimizer'].lower() == 'adagrad':
        opt = tf.train.AdagradOptimizer(
            learning_rate=params.get('learning_rate', 1.0))
        return opt.minimize(loss, global_step=global_step)
    # TODO(luozhouyang) decay lr
    sgd = tf.train.GradientDescentOptimizer(
        learning_rate=params.get('learning_rate', 1.0))
    return sgd.minimize(loss, global_step=global_step)

当然，你还可以添加一些 hooks
，比如在 EVAL
模式下，添加一些统计：

def build_eval_metrics(self, predict_ids, labels, nwords, params):
    tags_str2idx = lookup_ops.index_table_from_file(
        params['tag_vocab'], default_value=0)
    actual_ids = tags_str2idx.lookup(labels)
    weights = tf.sequence_mask(nwords)
    metrics = {
        "accuracy": tf.metrics.accuracy(actual_ids, predict_ids, weights)
    }
    return metrics

至此，我们的网络构建完成。完整的 model_fn
如下：

def model_fn(self, features, labels, mode, params, config):
        words = features['inputs']
        nwords = features['inputs_length']
        # a UNK token should placed in the first row in vocab file
        words_str2idx = lookup_ops.index_table_from_file(
            params['src_vocab'], default_value=0)
        words_ids = words_str2idx.lookup(words)
        training = mode == tf.estimator.ModeKeys.TRAIN
        # embedding
        with tf.variable_scope("embedding", reuse=tf.AUTO_REUSE):
            variable = tf.get_variable(
                "words_embedding",
                shape=(params['vocab_size'], params['embedding_size']),
                dtype=tf.float32)
            embedding = tf.nn.embedding_lookup(variable, words_ids)
            embedding = tf.layers.dropout(
                embedding, rate=params['dropout'], training=training)
        # BiLSTM
        with tf.variable_scope("bilstm", reuse=tf.AUTO_REUSE):
            # transpose embedding for time major mode
            inputs = tf.transpose(embedding, perm=[1, 0, 2])
            lstm_fw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
            lstm_bw = tf.nn.rnn_cell.LSTMCell(params['lstm_size'])
            (output_fw, output_bw), _ = tf.nn.bidirectional_dynamic_rnn(
                cell_fw=lstm_fw,
                cell_bw=lstm_bw,
                inputs=inputs,
                sequence_length=nwords,
                dtype=tf.float32,
                swap_memory=True,
                time_major=True)
            output = tf.concat([output_fw, output_bw], axis=-1)
            output = tf.transpose(output, perm=[1, 0, 2])
            output = tf.layers.dropout(
                output, rate=params['dropout'], training=training)
        logits, predict_ids = self.decode(output, nwords, params)
        # TODO(luozhouyang) Add hooks
        if mode == tf.estimator.ModeKeys.PREDICT:
            predictions = self.build_predictions(predict_ids, params)
            prediction_hooks = []
            export_outputs = {
                'export_outputs': tf.estimator.export.PredictOutput(predictions)
            }
            return tf.estimator.EstimatorSpec(
                mode=mode,
                predictions=predictions,
                export_outputs=export_outputs,
                prediction_hooks=prediction_hooks)
        loss = self.compute_loss(logits, labels, nwords, params)
        if mode == tf.estimator.ModeKeys.EVAL:
            metrics = self.build_eval_metrics(
                predict_ids, labels, nwords, params)
            eval_hooks = []
            return tf.estimator.EstimatorSpec(
                mode=mode,
                loss=loss,
                eval_metric_ops=metrics,
                evaluation_hooks=eval_hooks)
        if mode == tf.estimator.ModeKeys.TRAIN:
            train_op = self.build_train_op(loss, params)
            train_hooks = []
            return tf.estimator.EstimatorSpec(
                mode=mode,
                loss=loss,
                train_op=train_op,
                training_hooks=train_hooks)

还是推荐去看源码。

模型的训练、估算、预测和导出

接下来就是训练、估算、预测或者导出模型了。这个过程也很简单，因为使用的是estimator API，所以这些步骤都很简单。

项目中创建了一个 Runner
类来做这些事情。具体代码请到项目页面。

如果你要训练模型：

python -m deepseg.runner \
    --params_file=deepseg/example_params.json \
    --mode=train

或者：

python -m deepseg.runner \
    --params_file=deepseg/example_params.json \
    --mode=train_and_eval

如果你要使用训练的模型进行预测：

python -m deepseg.runner \
    --params_file=deepseg/example_params.json \
    --mode=predict

如果你想导出训练好的模型，部署到tf serving上面：

python -m deepseg.runner \
    --params_file=deepseg/example_params.json \
    --mode=export

以上步骤，所有的参数都在 example_params.json
文件中，根据需要进行修改即可。

另外，本身的代码也相对简单，如果不满足你的需求，可以直接修改源代码。

根据预测结果得到分词

还有一点点小的提示，模型预测返回的结果是 np.ndarray
，需要将它转化成字符串数组。代码也很简单，就是用 UTF-8
去解码 bytes
而已。

拿预测返回结果的 predict_tags
为例，你可以这样转换：

def convert_prediction_tags_to_string(prediction_tags):
    """Convert np.ndarray prediction_tags of output of prediction to string.
    Args:
        prediction_tags: A np.ndarray object, value of prediction['prediction_tags']
    Returns:
        A list of string predictions tags
    """
    return " ".join([t.decode('utf8') for t in prediction_tags])

如果你想对文本序列进行分词，目前根据以上处理，你得到了预测的标签序列，那幺要得到分词的结果，只需要根据标签结果处理一下原来的文本序列即可：

def segment_by_tag(sequences, tags):
    """Segment string sequence by it's tags.
    Args:
        sequences: A two dimension source string list
        tags: A two dimension tag string list
    Returns:
        A list of segmented string.
    """
    results = []
    for seq, tag in zip(sequences, tags):
        if len(seq) != len(tag):
            raise ValueError("The length of sequence and tags are different!")
        result = []
        for i in range(len(tag)):
            result.append(seq[i])
            if tag[i] == "E" or tag[i] == "S":
                result.append(" ")
        results.append(result)
    return results

举个具体的例子吧，如果你有一个序列：

sequence = [
    ['上', '海', '市', '浦', '东', '新', '区', '张', '东', '路', '1387', '号'],
    ['上', '海', '市', '浦', '东', '新', '区', '张', '衡', '路', '333', '号']
]

你想对这个序列进行分词处理，那幺经过我们的神经网络，你得到以下标签序列：

tags = [
    ['B', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'E', 'S', 'S'],
    ['B', 'M', 'E', 'B', 'M', 'M', 'E', 'B', 'M', 'E', 'S', 'S']
]

那幺，怎幺得到分词结果呢？就是利用上面的 segment_by_tag
函数即可。

得到的分词结果如下：

上海市 浦东新区 张东路 1387 号 
上海市 浦东新区 张衡路 333 号

以上就是所有内容了！

本文由**罗周杨 [email protected]
**原创，转载请注明原作者和出处。

原文链接： luozhouyang.github.io/deepseg