角色标注

参考来源:https://www.paddlepaddle.org.cn/documentation/docs/zh/user_guides/nlp_case/label_semantic_roles/README.cn.html

1.源数据介绍

自然语言分析技术大致分为三个层面：词法分析、句法分析和语义分析。语义角色标注是实现浅层语义分析的一种方式。在一个句子中，谓词是对主语的陈述或说明，指出“做什么”、“是什么”或“怎么样，代表了一个事件的核心，跟谓词搭配的名词称为论元。语义角色是指论元在动词所指事件中担任的角色。主要有：施事者（Agent）、受事者（Patient）、客体（Theme）、经验者（Experiencer）、受益者（Beneficiary）、工具（Instrument）、处所（Location）、目标（Goal）和来源（Source）等。

请看下面的例子，“遇到” 是谓词（Predicate，通常简写为“Pred”），“小明”是施事者（Agent），“小红”是受事者（Patient），“昨天” 是事件发生的时间（Time），“公园”是事情发生的地点（Location）。

语义角色标注（Semantic Role Labeling，SRL）以句子的谓词为中心，不对句子所包含的语义信息进行深入分析，只分析句子中各成分与谓词之间的关系，即句子的谓词（Predicate）- 论元（Argument）结构，并用语义角色来描述这些结构关系，是许多自然语言理解任务（如信息抽取，篇章分析，深度问答等）的一个重要中间步骤。在研究中一般都假定谓词是给定的，所要做的就是找出给定谓词的各个论元和它们的语义角色。

2.神经网络结构

1. 构造输入；

• 输入1是谓词，输入2是句子
• 将输入1扩展成和输入2一样长的序列，用one-hot方式表示；

1. one-hot方式的谓词序列和句子序列通过词表，转换为实向量表示的词向量序列；
2. 将步骤2中的2个词向量序列作为双向LSTM的输入，学习输入序列的特征表示；
3. CRF以步骤3中模型学习到的特征为输入，以标记序列为监督信号，实现序列标注；

大家可以尝试上面这种方法。这里，我们提出一些改进，引入两个简单但对提高系统性能非常有效的特征：

• 谓词上下文：上面的方法中，只用到了谓词的词向量表达谓词相关的所有信息，这种方法始终是非常弱的，特别是如果谓词在句子中出现多次，有可能引起一定的歧义。从经验出发，谓词前后若干个词的一个小片段，能够提供更丰富的信息，帮助消解歧义。于是，我们把这样的经验也添加到模型中，为每个谓词同时抽取一个“谓词上下文” 片段，也就是从这个谓词前后各取nn个词构成的一个窗口片段；
• 谓词上下文区域标记：为句子中的每一个词引入一个0-1二值变量，表示它们是否在“谓词上下文”片段中；

3.初始化环境

from __future__ import print_function

import math, os
import numpy as np
import paddle
import paddle.dataset.conll05 as conll05
import paddle.fluid as fluid
import six
import time

with_gpu = os.getenv(‘WITH_GPU‘, ‘0‘) != ‘0‘

word_dict, verb_dict, label_dict = conll05.get_dict()
word_dict_len = len(word_dict)
label_dict_len = len(label_dict)
pred_dict_len = len(verb_dict)

print(‘word_dict_len: ‘, word_dict_len)
print(‘label_dict_len: ‘, label_dict_len)
print(‘pred_dict_len: ‘, pred_dict_len)

　mark_dict_len = 2 # 谓上下文区域标志的维度，是一个0-1 2值特征，因此维度为2
 word_dim = 32 # 词向量维度
 mark_dim = 5 # 谓词上下文区域通过词表被映射为一个实向量，这个是相邻的维度
 hidden_dim = 512 # LSTM隐层向量的维度 ： 512 / 4
 depth = 8 # 栈式LSTM的深度
 mix_hidden_lr = 1e-3 # linear_chain_crf层的基础学习率

IS_SPARSE = True # 是否以稀疏方式更新embedding
 PASS_NUM = 10 # 训练轮数
 BATCH_SIZE = 10 # batch size 大小

embedding_name = ‘emb‘

2.定义神经网络

use_cuda = False #在cpu上执行训练
save_dirname = "label_semantic_roles.inference.model" #训练得到的模型参数保存在文件中
is_local = True

word = fluid.data(
    name=‘word_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)

# 谓词
predicate = fluid.data(
    name=‘verb_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)

# 谓词上下文5个特征
ctx_n2 = fluid.data(
    name=‘ctx_n2_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)
ctx_n1 = fluid.data(
    name=‘ctx_n1_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)
ctx_0 = fluid.data(
    name=‘ctx_0_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)
ctx_p1 = fluid.data(
    name=‘ctx_p1_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)
ctx_p2 = fluid.data(
    name=‘ctx_p2_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)

# 谓词上下区域标志
mark = fluid.data(name=‘mark_data‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)

predicate_embedding = fluid.embedding(
    input=predicate,
    size=[pred_dict_len, word_dim],
    dtype=‘float32‘,
    is_sparse=IS_SPARSE,
    param_attr=‘vemb‘)

mark_embedding = fluid.embedding(
    input=mark,
    size=[mark_dict_len, mark_dim],
    dtype=‘float32‘,
    is_sparse=IS_SPARSE)

#句子序列和谓词上下文5个特征并预训练
word_input = [word, ctx_n2, ctx_n1, ctx_0, ctx_p1, ctx_p2]
# 因词向量是预训练好的，这里不再训练embedding表，
# 参数属性trainable设置成False阻止了embedding表在训练过程中被更新
emb_layers = [
    fluid.embedding(
        size=[word_dict_len, word_dim],
        input=x,
        param_attr=fluid.ParamAttr(
            name=embedding_name, trainable=False)) for x in word_input
]
#加入谓词和谓词上下区域标志的预训练结果
emb_layers.append(predicate_embedding)
emb_layers.append(mark_embedding)

hidden_0_layers = [
    fluid.layers.fc(input=emb, size=hidden_dim, act=‘tanh‘)
    for emb in emb_layers
]

hidden_0 = fluid.layers.sums(input=hidden_0_layers)

lstm_0 = fluid.layers.dynamic_lstm(
    input=hidden_0,
    size=hidden_dim,
    candidate_activation=‘relu‘,
    gate_activation=‘sigmoid‘,
    cell_activation=‘sigmoid‘)

# 用直连的边来堆叠L-LSTM、R-LSTM
input_tmp = [hidden_0, lstm_0]

# 其余的栈结构
for i in range(1, depth):
    mix_hidden = fluid.layers.sums(input=[
        fluid.layers.fc(input=input_tmp[0], size=hidden_dim, act=‘tanh‘),
        fluid.layers.fc(input=input_tmp[1], size=hidden_dim, act=‘tanh‘)
    ])

    lstm = fluid.layers.dynamic_lstm(
        input=mix_hidden,
        size=hidden_dim,
        candidate_activation=‘relu‘,
        gate_activation=‘sigmoid‘,
        cell_activation=‘sigmoid‘,
        is_reverse=((i % 2) == 1))

    input_tmp = [mix_hidden, lstm]

# 取最后一个栈式LSTM的输出和这个LSTM单元的输入到隐层映射，
# 经过一个全连接层映射到标记字典的维度，来学习 CRF 的状态特征
feature_out = fluid.layers.sums(input=[
    fluid.layers.fc(input=input_tmp[0], size=label_dict_len, act=‘tanh‘),
    fluid.layers.fc(input=input_tmp[1], size=label_dict_len, act=‘tanh‘)
])

3.损失函数

target = fluid.data(
    name=‘target‘, shape=[None, 1], dtype=‘int64‘, lod_level=1)

# 学习 CRF 的转移特征
crf_cost = fluid.layers.linear_chain_crf(
    input=feature_out,
    label=target,
    param_attr=fluid.ParamAttr(
        name=‘crfw‘, learning_rate=mix_hidden_lr))

avg_cost = fluid.layers.mean(crf_cost)

# 使用最基本的SGD优化方法(momentum设置为0)
sgd_optimizer = fluid.optimizer.SGD(
    learning_rate=fluid.layers.exponential_decay(
        learning_rate=0.01,
        decay_steps=100000,
        decay_rate=0.5,
        staircase=True))

sgd_optimizer.minimize(avg_cost)

这里的损失函数使用的crf，以计算到的标记去标记真实的标记，得到P(Y|X)最新为目标

4.训练数据

crf_decode = fluid.layers.crf_decoding(input=feature_out, param_attr=fluid.ParamAttr(name=‘crfw‘))

train_data = paddle.batch(paddle.reader.shuffle(paddle.dataset.conll05.test(), buf_size=8192), batch_size=BATCH_SIZE)

place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()

feeder = fluid.DataFeeder(
    feed_list=[
        word, ctx_n2, ctx_n1, ctx_0, ctx_p1, ctx_p2, predicate, mark, target
    ],
    place=place)
exe = fluid.Executor(place)

main_program = fluid.default_main_program()

exe.run(fluid.default_startup_program())
embedding_param = fluid.global_scope().find_var(
    embedding_name).get_tensor()
embedding_param.set(
    load_parameter(conll05.get_embedding(), word_dict_len, word_dim),
    place)

start_time = time.time()
batch_id = 0
for pass_id in six.moves.xrange(PASS_NUM):
    for data in train_data():
        cost = exe.run(main_program,
                       feed=feeder.feed(data),
                       fetch_list=[avg_cost])
        cost = cost[0]

        if batch_id % 10 == 0:
            print("avg_cost: " + str(cost))
            if batch_id != 0:
                print("second per batch: " + str((time.time(
                ) - start_time) / batch_id))
            # Set the threshold low to speed up the CI test
            if float(cost) < 60.0:
                if save_dirname is not None:
                    fluid.io.save_inference_model(save_dirname, [
                        ‘word_data‘, ‘verb_data‘, ‘ctx_n2_data‘,
                        ‘ctx_n1_data‘, ‘ctx_0_data‘, ‘ctx_p1_data‘,
                        ‘ctx_p2_data‘, ‘mark_data‘
                    ], [feature_out], exe)
                break

        batch_id = batch_id + 1

原文地址：https://www.cnblogs.com/yangyang12138/p/12596322.html