Press "Enter" to skip to content

Pytext上手——Intent-Slot 模型实战

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

对话系统里,首先要对用户的输入进行领域、意图识别和槽抽取。深度学习发展以后,意图识别的方法多使用深度学习的算法,使用CNN对意图进行多分类,领域分类和意图分类较为类似。而槽的预测可以看成是标签序列预测问题。例如句子“我想听周杰伦的菊花台”,标签可以定义为“O O O B-singer M-singer E-singer O B-song M-song E-song”。标签序列预测多使用CRF,RNN,LSTM,LSTM+crf的模型。 链接: www.zhihu.com/question/22…

 

2 槽位填充

 

槽位填充可以理解为一个序列标注的问题,我们训练范例{(x^((n)),y^((n)) ):n=1,……,N},然后我们想要识别学到一个函数f∶x→y,这个函数能够匹配输入序列x和相应的标签序列y。在槽位填充中,输入序列和标签序列长度相同,因此排列是准确的。

3 数据集ATIS

 

ATIS数据集包含4978训练数据和893个测试数据,文本内容为客服对话,意图一共有26类。查询话语中的每个标记与填充IOB标签的插槽对齐,也就是上面图片中Sentence和Slots都是一一对齐的。

 

4 Pytext实战

 

本部分内容主要参考官方的文档 Train Intent-Slot model on ATIS Dataset ,有些地方稍微出入。

 

4.1 安装

 

目前Pytext只支持Linux和Mac系统,在命令行输入下面语句安装:

 

pip install -nlp

 

4.2 文件准备

pytext
github.com/facebookres… 数据集
www.kaggle.com/siddhadev/a…

4.3 数据预处理

 

python3 demo/atis_joint_model/data_processor.py --download-folder atis/ --output-directory demo/atis_joint_model/

4.4 模型训练

 

pytext train < demo/atis_joint_model/atis_joint_config.json

 

在没有使用GPU的情况下,训练需要30分钟左右

模型训练完毕时,我们通过 atis_joint_config.json 看到,结果文件和模型保存到 tmp目录下

4.6 模型导出

 

保存PyTorch模型时,简单的使用pickle进行序列化。这意味着简单的代码更改(例如,单词嵌入更新)可能导致与已部署模型的向后不兼容。为了解决此问题,可以使用内置的ONNX集成将模型导出为Caffe2格式。无论PyText或开发代码中的更改如何,导出的Caffe2模型都具有相同的行为。

 

在命令行中分别输入下面两行语句

 

CONFIG=demo/atis_joint_model/atis_joint_config.json

 

pytext export --output-path exported_model.c2 < "$CONFIG"

 

4.5 模型评估

 

我们可以使用 pytext test 来测试模型在测试集上的表现

 

pytext test < "$CONFIG"

4.6 模型应用

 

我们可以将训练的模型部署成一个web应用,新建文件 flask_app.py

 

import sys
import flask
import pytext
config_file = sys.argv[1]
model_file = sys.argv[2]
config = pytext.load_config(config_file)
predictor = pytext.create_predictor(config, model_file)
app = flask.Flask(__name__)
@app.route('/get_flight_info', methods=['GET', 'POST'])
def get_flight_info():
    text = flask.request.data.decode()
    # Pass the inputs to PyText's prediction API
    result = predictor({"raw_text": text})
    # Results is a list of output blob names and their scores.
    # The blob names are different for joint models vs doc models
    # Since this tutorial is for both, let's check which one we should look at.
    doc_label_scores_prefix = (
        'scores:' if any(r.startswith('scores:') for r in result)
        else 'doc_scores:'
    )
    # For now let's just output the top document label!
    best_doc_label = max(
        (label for label in result if label.startswith(doc_label_scores_prefix)),
        key=lambda label: result[label][0],
    # Strip the doc label prefix here
    )[len(doc_label_scores_prefix):]
    return flask.jsonify({"question": f"Are you asking about {best_doc_label}?"})
app.run(host='0.0.0.0', port='8080', debug=True)

 

执行

 

python flask_app.py "$CONFIG" exported_model.c2

 

然后打开另一个Terminal,我们测试下服务: 测试1

 

curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d  "I am looking for flights from San Francisco to Minneapolis"
{
  "question": "Are you asking about flight?"
}

 

测试2

 

curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d  "How much does a trip to NY cost?"
{
  "question": "Are you asking about airfare?"
}

 

测试3

 

curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d  "Which airport should I go to?"
{
  "question": "Are you asking about airport?"
}

 

我们可以看到,模型将3次的意图都识别到了。

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注