作者：GjZero

标签：Python, Keras, 语言模型, 日语

本文约2400字，建议阅读10分钟。

本文介绍了语言模型，并介绍如何用MeCab和Keras实现一个日文的神经网络语言模型。（为什么是日文呢？纯属作者兴趣）

基于神经网络的语言模型

依据Wikepedia，语言模型的定义是“句子们的概率分布”。给定一个长度为m的句子，则可以有概率

P(w_1,...,w_m)

由条件概率公式有

P(w_1,...w_m) = \prod_{i=1}^mP(w_i|w_1,...w_{i-1})

n-gram模型假设，第i个词语的概率分布只和前面固定的n个词有关（Markov性），那么就有

P(w_1,...w_m) = \prod_{i=1}^mP(w_i|w_1,...w_{i-1}) \approx \prod_{i=1}^mP(w_i|w_{i-(n-1)},...,w_{i-1})

所以估计

P(w_1,...w_m)

的任务变成了估计

P(w_i|w_{i-(n-1)},...,w_{i-1})

用传统的统计方法面临着

• 维度灾难（当n变大，存储空间不够）
• n元组并不会在语料库中全部出现

所以这里使用神经网络近似函数

P(w_i|w_{i-(n-1)},...,w_{i-1})

神经网络方法解决了如上两个困难

• 当n变大，神经网络的参数以线性级别增长
• n元组虽然没有全部出现，但词向量可以捕捉到不同的词可能代表的相似的含义

一个传统的基于神经网络的模型结构如下图所示：

用MeCab实现日语分词

MeCab(めかぶ)是一款日语分词工具。Linux用户可以用如下指令安装MeCab:

sudo apt-get install mecab mecab-ipadic-utf8 libmecab-dev swigpip install mecab-python3

MeCab可以对一个句子进行分词，并分析各词的词性。对于句子“すもももももももものうち”有

すもももももももものうちすもも 名詞,一般,*,*,*,*,すもも,スモモ,スモモも 助詞,係助詞,*,*,*,*,も,モ,モもも 名詞,一般,*,*,*,*,もも,モモ,モモも 助詞,係助詞,*,*,*,*,も,モ,モもも 名詞,一般,*,*,*,*,もも,モモ,モモの 助詞,連体化,*,*,*,*,の,ノ,ノうち 名詞,非自立,副詞可能,*,*,*,うち,ウチ,ウチ

EOS

为了将分析的结果转化为分词结果，可用如下的`mecab_to_text`函数，则会输出“すもも も もも も もも の うち”。

Python

def mecab_to_text(sentence_list):
 """
 :param sentence_list: A list of sentences or one single sentence.
 :return: A list of segmented sentences.
 :note: Use mecab to segment a list of sentences or one single sentence in Japanese.
 """
 import MeCab
 mecab = MeCab.Tagger("-Ochasen")
 single_flag = False
 if isinstance(sentence_list, str):
 sentence_list = [sentence_list]
 single_flag = True
ret_list = []
 for sentence in sentence_list:
 text_list = []
 m = mecab.parseToNode(sentence)
 while m:
 text_list.append(m.surface)
 m = m.next
 seg_sentence = " ".join(text_list).strip()
 ret_list.append(seg_sentence)
 if single_flag:
 return ret_list[0]
return ret_list

模型构建

我们需要先构建我们的训练样本，语料库来自日语小说。对语料库中的句子用MeCab进行分词之后，用给定的窗宽k分割出训练集。训练集中的词和词向量进行对应为300维的向量。这样训练集中的每一个x（特征）对应一个(k-1)×300维的矩阵，每一个y（结果）对应一个one-hot的向量。

语料库

语料库是来自于网络上的日语小说，因为版权因素这里不提供*载下**。用什么样的小说并不会太影响我们后续的过程。在这里实现了`load_text`,`make_word_dictionary`,`clear_dictionary`；分别用来读入语料库，从分好词的语料库中生成词典，清理词典中在词向量里没有出现的词。

Python

def load_text(use_length=-1, min_len=10):
 start = time.clock()
 japanese_text_path = "H:\\Work\\JapaneseModel\\Japanese_book\\"
 text_list = []
 if use_length == -1:
 for file in os.listdir(japanese_text_path):
 with open(japanese_text_path + file, ’r’, encoding=’utf-8’) as f:
 for line in f.readlines():
 line_use = line.strip()
 if len(line_use) > min_len:
 text_list.append(line_use)
else:
 counter = 0
 for file in os.listdir(japanese_text_path):
 with open(japanese_text_path + file, ’r’, encoding=’utf-8’) as f:
 for line in f.readlines():
 line_use = line.strip()
 if len(line_use) > min_len:
 text_list.append(line_use)
 counter += 1
 if counter == use_length:
 print("Japanese text loaded %d lines."%use_length)
 elapsed = time.clock() - start
 print("Time used:", round(elapsed, 3))
 return text_list
print("Japanese text loaded all lines.")
 elapsed = time.clock() - start
 print("Time used:", round(elapsed, 3))
 
return text_list
def make_word_dictionary(split_text_list, lower_bound=100):
 start = time.clock()
word_dictionary = dict()
 for sentence in split_text_list:
 sentence_use = sentence.split(" ")
 for word in sentence_use:
 if not word in word_dictionary:
 word_dictionary[word] = 1
 
else:
 word_dictionary[word] += 1
print("Word dictionary established.")
 elapsed = time.clock() - start
 print("Time used:", round(elapsed, 3))
if lower_bound > 0:
 pop_list = []
 for word in word_dictionary:
 if word_dictionary[word] < lower_bound:
 pop_list.append(word)
 for word in pop_list:
 word_dictionary.pop(word)
word_list = []
 for word in word_dictionary:
 word_list.append(word)
return word_list
def clear_dictionary(dictionary, embedding_dictionary):
 ret_list = []
 for word in dictionary:
 if word in embedding_dictionary:
 ret_list.append(word)
return ret_list

实现了这几个函数以后，就可以用如下的方式读入语料库。

Python

japanese_text = load_text(use_text_length)
split_japanese_text = mecab_to_text(japanese_text)
dictionary = make_word_dictionary(split_japanese_text, lower_bound=10)
dictionary = clear_dictionary(dictionary, embeddings_index)

词向量

我们使用facebook在fastText项目中预训练好的日语300维词向量，*载下**地址点击[这里](https://s3-us-west-1.amazonaws.com/fasttext-vectors/word-vectors-v2/cc.ja.300.vec.gz)。因为该文件的第一行保存了词向量文件的信息，你应该手动删除该行，然后用`load_embedding`函数来读取词向量。

Python

def load_embedding():
 start = time.clock()
 """
 Total 2000000 words in this embedding file, 300-d. It is float16 type.
 The first line is "2000000 300".
 You should delete this line.
 """
 EMBEDDING_FILE = ’H:\\Work\\cc.ja.300.vec’
 def get_coefs(word, *arr): return word, np.asarray(arr, dtype=’float16’)
 embeddings_index = dict(get_coefs(*o.strip().split(" ")) for o in open(EMBEDDING_FILE, ’r’, encoding="utf-8"))
 
 elapsed = time.clock() - start
 print("Word vectors loaded.")
 print("Time used:", round(elapsed, 3))
 
 return embeddings_index

生成训练集

假设我们的窗宽为k，那么我们的训练集由k-1个词组成x_train，由之后连接的词组成y_train。如果k=3，我们语料库中的一个句子为“a bb ccc d”,　其中a、bb、ccc、d分别是4个词。那么我们将这个句子前面连接k-1=2个“space”，结尾连接一个“eol”，扩充为“space space a bb ccc d eof”。这样可以得到如下的训练样本：

x1|x2|y:- | :- | :-space|space|aspace|a|bba|bb|cccbb|ccc|dccc|d|eol

“generate_train”函数实现了上述生成训练集的算法

Python

def generate_train(window, end_index, text_seq):
 prefix = [0] * (window - 1)
 suffix = [end_index]
 x_list = []
 y_list = []
 for seq in text_seq:
 if len(seq) > 1:
 seq_use = prefix + seq + suffix
 # print(seq_use)
 for i in range(len(seq_use) - window + 1):
 x_list.append(seq_use[i: i + window - 1])
 y_list.append(seq_use[i + window - 1])
 # print(seq_use[i: i + window])
 return x_list, y_list

构建神经网络模型

和传统的神经网络语言模型有所不同：先将x映射为词向量，连接双层BiLSTM作为隐藏层，再连接一个Softmax来预测下一个词是什么。在Keras中，实现BiLSTM非常容易。因为`CuDNNLSTM`的实现比`LSTM`要快很多，推荐安装cudnn来使用这个函数。加入了一些`Dropout`层来避免过拟合。

Python

# Model
inp = Input(shape=(window - 1,))
x = Embedding(nb_words, 300, trainable = True, weights=[embedding_matrix])(inp)
x = Bidirectional(CuDNNLSTM(128, return_sequences=True))(x)
x = Dropout(0.1)(x)
x = Bidirectional(CuDNNLSTM(128, return_sequences=False))(x)
x = Dropout(0.1)(x)
x = Dense(128, activation="relu")(x)
x = Dropout(0.1)(x)
x = Dense(nb_words, activation="softmax")(x)
model = Model(inputs=inp, outputs=x)
opt = keras.optimizers.Adam(lr=0.001, beta_1=0.9, beta_2=0.999,
 epsilon=None, decay=0.0, amsgrad=False)
model.compile(loss=’categorical_crossentropy’,
 optimizer=opt, metrics=[’accuracy’])
history = LossHistory()
epoch_nb = 80 # 40 is enough
batch = 64
model.fit(x_train, y_train, batch_size=batch, epochs=epoch_nb, verbose=1,
 validation_data=(x_test, y_test), callbacks=[history])

随机生成句子

用`predict_random_sentence`函数来生成随机句子，其中的`reverse_index`保存了从语料库生成的词典中的词和序号的一一对应。若将[0,0,0,0]更改为其他数字，即可生成给定开头的句子。

Python

def predict_random_sentence(new=[0] * (window - 1)):
 sentence = reverse_index[new[0]] + reverse_index[new[1]] + reverse_index[new[2]] + reverse_index[new[3]]
 while new[-1] != end_index:
 prob = model.predict(np.asarray([new]))[0]
 new_predict = int(random.choices(word_ind, weights=prob)[0])
 sentence += reverse_index[new_predict]
 new = new[1:] + [new_predict]
 return sentence
 
predict_random_sentence([0,0,0,0])

保存模型

保存模型到本地，以后就可以直接调用，避免重复训练。上文中提到的tokenizer和神经网络模型都需要保存。

Python

with open("../result/tokenizer.pkl", "wb") as handle:
 pickle.dump(tokenizer, handle, protocol=pickle.HIGHEST_PROTOCOL)
model.save(’../model/language_model.model’)

效果展示

我们训练了80个epoch，使用了20000句话进行训练，选择的窗宽为5。以下是从日文语言模型中随机生成的一些句子。

’「なんだろう。僕が仕事を休みになり、でもまあ……見てた」’’アグライアはグラスをじっと見つめた。’’それにしても、それを使って、ジークをから表情になって猫のように《さ》がを受けた。’’森そうだ、そんなことか」’’真剣で命をように、そのの人は、辻宮氏はだいたい邸にてあげた《と？》みをうとした。「そんな顔だって今？」’’佳澄ちゃんが……俺とさっきに言わせて下さい。’’沙耶「まあ、沙耶ねえ先に戻ることにになってきます？」’’「最近はどうしてそういうつもりじゃないでしょうね」’

简单的翻译一下生成的句子（日语水平比较烂，可能翻译错了）

’怎么说呢。我虽然下班了，但还是……看到了’

’Agria凝视着玻璃杯’

’即使如此，使用它，Sieg看来像猫一样的表情接受了さ’

’像树林啊，是这样吗’

这句话实在不太通顺……

’佳澄酱，请给我说下刚才的事情’

’沙耶：“嘛，沙耶先回去了啊？”’

’最近为什么不打算这样做了呢’

总体来说，该语言模型可以生成出一些通顺的话语。以上都是从空句子开始生成的，也可以改变生成句子的开头。

项目地址及参考文献

完整的项目代码见

[GitHub]

(https://github.com/GanjinZero/DeepLearningPlayground/tree/master/code/Language%20Model)

[Language_model]

(https://en.wikipedia.org/wiki/Language_model)

[MeCab]

(http://taku910.github.io/mecab/)

[fastText]

(https://github.com/facebookresearch/fastText/blob/master/docs/crawl-vectors.md)

【作者简介】

GjZero，清华大学统计中心博士二年级在读。研究方向是医学信息学中的自然语言处理。兴趣是扑克、麻将等和博弈论有关的运动。

编辑：王菁

校对：林亦霖

— 完 —

关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。