391 lines
14 KiB
Org Mode
391 lines
14 KiB
Org Mode
|
* Zanurzenia słów
|
||
|
|
|
||
|
|
** Słabości $n$-gramowych modeli języka
|
||
|
|
|
||
|
|
Podstawowa słabość $n$-gramowych modeli języka polega na tym, że każde
|
||
|
|
słowo jest traktowane w izolacji. W, powiedzmy, bigramowym modelu
|
||
|
|
języka każda wartość $P(w_2|w_1)$ jest estymowana osobno, nawet dla —
|
||
|
|
w jakimś sensie podobnych słów. Na przykład:
|
||
|
|
|
||
|
|
- $P(\mathit{zaszczekał}|\mathit{pies})$, $P(\mathit{zaszczekał}|\mathit{jamnik})$, $P(\mathit{zaszczekał}|\mathit{wilczur})$ są estymowane osobno,
|
||
|
|
- $P(\mathit{zaszczekał}|\mathit{pies})$, $P(\mathit{zamerdał}|\mathit{pies})$, $P(\mathit{ugryzł}|\mathit{pies})$ są estymowane osobno,
|
||
|
|
- dla każdej pary $u$, $v$, gdzie $u$ jest przyimkiem (np. /dla/), a $v$ — osobową formą czasownika (np. /napisał/) model musi się uczyć, że $P(v|u)$ powinno mieć bardzo niską wartość.
|
||
|
|
|
||
|
|
** Podobieństwo słów jako sposób na słabości $n$-gramowych modeli języka?
|
||
|
|
|
||
|
|
Intuicyjnie wydaje się, że potrzebujemy jakiegoś sposobu określania podobieństwa słów, tak aby
|
||
|
|
w naturalny sposób, jeśli słowa $u$ i $u'$ oraz $v$ i $v'$ są bardzo podobne, wówczas
|
||
|
|
$P(u|v) \approx P(u'|v')$.
|
||
|
|
|
||
|
|
Można wskazać trzy sposoby określania podobieństwa słów: odległość
|
||
|
|
edycyjna Lewensztajna, hierarchie słów i odległość w przestrzeni wielowymiarowej.
|
||
|
|
|
||
|
|
*** Odległość Lewensztajna
|
||
|
|
|
||
|
|
Słowo /dom/ ma coś wspólnego z /domem/, /domkiem/, /domostwem/,
|
||
|
|
/domownikami/, /domowym/ i /udomowieniem/ (?? — tu już można mieć
|
||
|
|
wątpliwości). Więc może oprzeć podobieństwa na powierzchownym
|
||
|
|
podobieństwie?
|
||
|
|
|
||
|
|
Możemy zastosować tutaj *odległość Lewensztajna*, czyli minimalną liczbę operacji edycyjnych, które
|
||
|
|
są potrzebne, aby przekształcić jedno słowo w drugie. Zazwyczaj jako elementarne operacje edycyjne
|
||
|
|
definiuje się:
|
||
|
|
|
||
|
|
- usunięcie znaku,
|
||
|
|
- dodanie znaku,
|
||
|
|
- zamianu znaku.
|
||
|
|
|
||
|
|
Na przykład odległość edycyjna między słowami /domkiem/ i /domostwem/
|
||
|
|
wynosi 4: zamiana /k/ na /o/, /i/ na /s/, dodanie /t/, dodanie /w/.
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
import Levenshtein
|
||
|
|
Levenshtein.distance('domkiem', 'domostwem')
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
4
|
||
|
|
:end:
|
||
|
|
|
||
|
|
Niestety, to nie jest tak, że słowa są podobne wtedy i tylko wtedy, gdy /wyglądają/ podobnie:
|
||
|
|
|
||
|
|
- /tapet/ nie ma nic wspólnego z /tapetą/,
|
||
|
|
- słowo /sowa/ nie wygląda jak /ptak/, /puszczyk/, /jastrząb/, /kura/ itd.
|
||
|
|
|
||
|
|
Powierzchowne podobieństwo słów łączy się zazwyczaj z relacjami
|
||
|
|
*fleksyjnymi* i *słowotwórczymi* (choć też nie zawsze, por. np. pary
|
||
|
|
słów będące przykładem *supletywizmu*: /człowiek/-/ludzie/,
|
||
|
|
/brać/-/zwiąć/, /rok/-/lata/). A co z innymi własnościami wyrazów czy
|
||
|
|
raczej bytów przez nie denotowanych (słowa oznaczające zwierzęta
|
||
|
|
należące do gromady ptaków chcemy traktować jako, w jakiejś mierze przynajmnie, podobne)?
|
||
|
|
|
||
|
|
Dodajmy jeszcze, że w miejsce odległości Lewensztajna warto czasami
|
||
|
|
używać podobieństwa Jaro-Winklera, które mniejszą wagę przywiązuje do zmian w końcówkach wyrazów:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
import Levenshtein
|
||
|
|
Levenshtein.jaro_winkler('domu', 'domowy')
|
||
|
|
Levenshtein.jaro_winkler('domowy', 'maskowy')
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
0.6626984126984127
|
||
|
|
:end:
|
||
|
|
|
||
|
|
*** Klasy i hierarchie słów
|
||
|
|
|
||
|
|
Innym sposobem określania podobieństwa między słowami jest zdefiniowanie klas słów.
|
||
|
|
Słowa należące do jednej klasy będą podobne, do różnych klas — niepodobne.
|
||
|
|
|
||
|
|
**** Klasy gramatyczne
|
||
|
|
|
||
|
|
Klasy mogą odpowiadać standardowym kategoriom gramatycznym znanym z
|
||
|
|
językoznawstwa, na przykład *częściom mowy* (rzeczownik, przymiotnik,
|
||
|
|
czasownik itd.). Wiele jest niejednoznacznych jeśli chodzi o kategorię części mowy:
|
||
|
|
|
||
|
|
- /powieść/ — rzeczownik czy czasownik?
|
||
|
|
- /komputerowi/ — rzeczownik czy przymiotnik?
|
||
|
|
- /lecz/ — spójnik, czasownik (!) czy rzeczownik (!!)?
|
||
|
|
|
||
|
|
Oznacza to, że musimy dysponować narzędziem, które pozwala
|
||
|
|
automatycznie, na podstawie kontekstu, tagować tekst częściami mowy
|
||
|
|
(ang. /POS tagger/). Takie narzędzia pozwalają na osiągnięcie wysokiej
|
||
|
|
dokładności, niestety zawsze wprowadzają jakieś błędy, które mogą
|
||
|
|
propagować się dalej.
|
||
|
|
|
||
|
|
**** Klasy indukowane automatycznie
|
||
|
|
|
||
|
|
Zamiast z góry zakładać klasy wyrazów można zastosować metody uczenia
|
||
|
|
nienadzorowanego (podobne do analizy skupień) w celu *wyindukowanie*
|
||
|
|
automatycznie klas (tagów) z korpusu.
|
||
|
|
|
||
|
|
**** Użycie klas słów w modelu języka
|
||
|
|
|
||
|
|
Najprostszy sposób uwzględnienia klas słów w $n$-gramowym modelowaniu
|
||
|
|
języka polega stworzeniu dwóch osobnych modeli:
|
||
|
|
|
||
|
|
- tradycyjnego modelu języka $M_W$ operującego na słowach,
|
||
|
|
- modelu języka $M_T$ wyuczonego na klasach słów (czy to częściach
|
||
|
|
mowy, czy klasach wyindukowanych automatycznie).
|
||
|
|
|
||
|
|
Zauważmy, że rząd modelu $M_T$ ($n_T$) może dużo większy niż rząd modelu $M_W$ ($n_W$) — klas będzie
|
||
|
|
dużo mniej niż wyrazów, więc problem rzadkości danych jest dużo mniejszy i można rozpatrywać dłuższe
|
||
|
|
$n$-gramy.
|
||
|
|
|
||
|
|
Dwa modele możemy połączyć za pomocą prostej kombinacji liniowej sterowanej hiperparametrem $\lambda$:
|
||
|
|
|
||
|
|
$$P(w_i|w_{i-n_T}+1\ldots w_{i-1}) = \lambda P_{M_T}(w_i|w_{i-n_W}+1\ldots w_{i-1}) + (1 - \lambda) P_{M_W}(w_i|w_{i-n_T}+1\ldots w_{i-1}).$$
|
||
|
|
|
||
|
|
**** Hierarchie słów
|
||
|
|
|
||
|
|
Zamiast płaskiej klasyfikacji słów można zbudować hierarchię słów czy
|
||
|
|
pojęć. Taka hierarchia może dotyczyć właściwości gramatycznych
|
||
|
|
(na przykład rzeczownik w liczbie pojedynczej w dopełniaczu będzie podklasą
|
||
|
|
rzeczownika) lub własności denotowanych bytów.
|
||
|
|
|
||
|
|
Niekiedy dość łatwo stworzyć hierarchie (taksonomię) pojęć. Na
|
||
|
|
przykład jamnik jest rodzajem psa (słowo /jamnik/ jest *hiponimem*
|
||
|
|
słowa /pies/, zaś słowo /pies/ hiperonimem słowa /jamnik/), pies —
|
||
|
|
ssaka, ssak — zwierzęcia, zwierzę — organizmu żywego, organizm — bytu
|
||
|
|
materialnego.
|
||
|
|
|
||
|
|
***** Analityczny język Johna Wilkinsa
|
||
|
|
|
||
|
|
Już od dawna filozofowie myśleli o stworzenie języka uniwersalnego, w
|
||
|
|
którym hierarchia bytów jest ułożona w „naturalny” sposób.
|
||
|
|
|
||
|
|
Przykładem jest angielski uczony John Wilkins (1614-1672). W dziele
|
||
|
|
/An Essay towards a Real Character and a Philosophical Language/
|
||
|
|
zaproponował on rozbudowaną hierarchię bytów.
|
||
|
|
|
||
|
|
#+CAPTION: Fragment dzieła Johna Wilkinsa
|
||
|
|
[[./06_Zanurzenia_slow/wilkins.png]]
|
||
|
|
|
||
|
|
***** Słowosieci
|
||
|
|
|
||
|
|
Współczesnym odpowiednik hierarchii Wilkinsa są *słowosieci* (ang. /wordnets).
|
||
|
|
Przykłady:
|
||
|
|
|
||
|
|
- dla języka polskiego: [[http://plwordnet.pwr.wroc.pl][Słowosieć]],
|
||
|
|
- dla języka angielskiego: [[https://wordnet.princeton.edu/][Princeton Wordnet]] (i Słowosieć!)
|
||
|
|
|
||
|
|
#+CAPTION: Fragment Słowosieci
|
||
|
|
[[./06_Zanurzenia_slow/slowosiec.png]]
|
||
|
|
|
||
|
|
W praktyce stosowalność słowosieci okazała się zaskakująco
|
||
|
|
ograniczona. Większy przełom w przetwarzaniu języka naturalnego przyniosły
|
||
|
|
wielowymiarowe reprezentacje słów, inaczej: zanurzenia słów.
|
||
|
|
|
||
|
|
** „Wymiary” słów
|
||
|
|
|
||
|
|
Moglibyśmy zanurzyć (ang. /embed/) w wielowymiarowej przestrzeni, tzn. zdefiniować odwzorowanie
|
||
|
|
$E \colon V \rightarrow \mathcal{R}^m$ dla pewnego $m$ i określić taki sposób estymowania
|
||
|
|
prawdopodobieństw $P(u|v)$, by dla par $E(v)$ i $E(v')$ oraz $E(u)$ i $E(u')$ znajdujących się w pobliżu
|
||
|
|
(według jakiejś metryki odległości, na przykład zwykłej odległości euklidesowej):
|
||
|
|
|
||
|
|
$$P(u|v) \approx P(u'|v').$$
|
||
|
|
|
||
|
|
$E(u)$ nazywamy zanurzeniem (embeddingiem) słowa.
|
||
|
|
|
||
|
|
*** Wymiary określone z góry?
|
||
|
|
|
||
|
|
Można by sobie wyobrazić, że $m$ wymiarów mogłoby być z góry
|
||
|
|
określonych przez lingwistę. Wymiary te byłyby związane z typowymi
|
||
|
|
„osiami” rozpatrywanymi w językoznawstwie, na przykład:
|
||
|
|
|
||
|
|
- czy słowo jest wulgarne, pospolite, potoczne, neutralne czy książkowe?
|
||
|
|
- czy słowo jest archaiczne, wychodzące z użycia czy jest neologizmem?
|
||
|
|
- czy słowo dotyczy kobiet, czy mężczyzn (w sensie rodzaju gramatycznego i/lub
|
||
|
|
socjolingwistycznym)?
|
||
|
|
- czy słowo jest w liczbie pojedynczej czy mnogiej?
|
||
|
|
- czy słowo jest rzeczownikiem czy czasownikiem?
|
||
|
|
- czy słowo jest rdzennym słowem czy zapożyczeniem?
|
||
|
|
- czy słowo jest nazwą czy słowem pospolitym?
|
||
|
|
- czy słowo opisuje konkretną rzecz czy pojęcie abstrakcyjne?
|
||
|
|
- …
|
||
|
|
|
||
|
|
W praktyce okazało się jednak, że lepiej, żeby komputer uczył się sam
|
||
|
|
możliwych wymiarów — z góry określamy tylko $m$ (liczbę wymiarów).
|
||
|
|
|
||
|
|
** Bigramowy model języka oparty na zanurzeniach
|
||
|
|
|
||
|
|
Zbudujemy teraz najprostszy model język oparty na zanurzeniach. Będzie to właściwie najprostszy
|
||
|
|
*neuronowy model języka*, jako że zbudowany model można traktować jako prostą sieć neuronową.
|
||
|
|
|
||
|
|
*** Słownik
|
||
|
|
|
||
|
|
W typowym neuronowym modelu języka rozmiar słownika musi być z góry
|
||
|
|
ograniczony. Zazwyczaj jest to liczba rzędu kilkudziesięciu wyrazów —
|
||
|
|
po prostu będziemy rozpatrywać $|V|$ najczęstszych wyrazów, pozostałe zamienimy
|
||
|
|
na specjalny token ~<unk>~ reprezentujący nieznany (/unknown/) wyraz.
|
||
|
|
|
||
|
|
Aby utworzyć taki słownik użyjemy gotowej klasy ~Vocab~ z pakietu torchtext:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
from itertools import islice
|
||
|
|
import regex as re
|
||
|
|
import sys
|
||
|
|
from torchtext.vocab import build_vocab_from_iterator
|
||
|
|
|
||
|
|
|
||
|
|
def get_words_from_line(line):
|
||
|
|
line = line.rstrip()
|
||
|
|
yield '<s>'
|
||
|
|
for m in re.finditer(r'[\p{L}0-9\*]+|\p{P}+', line):
|
||
|
|
yield m.group(0).lower()
|
||
|
|
yield '</s>'
|
||
|
|
|
||
|
|
|
||
|
|
def get_word_lines_from_file(file_name):
|
||
|
|
with open(file_name, 'r') as fh:
|
||
|
|
for line in fh:
|
||
|
|
yield get_words_from_line(line)
|
||
|
|
|
||
|
|
vocab_size = 20000
|
||
|
|
|
||
|
|
vocab = build_vocab_from_iterator(
|
||
|
|
get_word_lines_from_file('opensubtitlesA.pl.txt'),
|
||
|
|
max_tokens = vocab_size,
|
||
|
|
specials = ['<unk>'])
|
||
|
|
|
||
|
|
vocab['jest']
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
16
|
||
|
|
:end:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
len(vocab)
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
20000
|
||
|
|
:end:
|
||
|
|
|
||
|
|
*** Definicja sieci
|
||
|
|
|
||
|
|
Naszą prostą sieć neuronową zaimplementujemy używając frameworku PyTorch.
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
from torch import nn
|
||
|
|
import torch
|
||
|
|
|
||
|
|
embed_size = 100
|
||
|
|
|
||
|
|
class SimpleBigramNeuralLanguageModel(nn.Module):
|
||
|
|
def __init__(self, vocabulary_size, embedding_size):
|
||
|
|
super(SimpleBigramNeuralLanguageModel, self).__init__()
|
||
|
|
self.model = nn.Sequential(
|
||
|
|
nn.Embedding(vocabulary_size, embedding_size),
|
||
|
|
nn.Linear(embedding_size, vocabulary_size),
|
||
|
|
nn.Softmax()
|
||
|
|
)
|
||
|
|
|
||
|
|
def forward(self, x):
|
||
|
|
return self.model(x)
|
||
|
|
|
||
|
|
model = SimpleBigramNeuralLanguageModel(vocab_size, embed_size)
|
||
|
|
|
||
|
|
vocab.set_default_index(vocab['<unk>'])
|
||
|
|
ixs = torch.tensor(vocab.forward(['mieszkam', 'w', 'londynie']))
|
||
|
|
|
||
|
|
out = model(ixs)
|
||
|
|
out.size()
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
torch.Size([3, 20000])
|
||
|
|
:end:
|
||
|
|
|
||
|
|
Teraz wyuczmy model. Wpierw tylko potasujmy nasz plik:
|
||
|
|
|
||
|
|
#+BEGIN_SRC
|
||
|
|
shuf < opensubtitlesA.pl.txt > opensubtitlesA.pl.shuf.txt
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
from torch.utils.data import IterableDataset
|
||
|
|
import itertools
|
||
|
|
|
||
|
|
def look_ahead_iterator(gen):
|
||
|
|
prev = None
|
||
|
|
for item in gen:
|
||
|
|
if prev is not None:
|
||
|
|
yield (prev, item)
|
||
|
|
prev = item
|
||
|
|
|
||
|
|
class Bigrams(IterableDataset):
|
||
|
|
def __init__(self, text_file, vocabulary_size):
|
||
|
|
self.vocab = build_vocab_from_iterator(
|
||
|
|
get_word_lines_from_file(text_file),
|
||
|
|
max_tokens = vocabulary_size,
|
||
|
|
specials = ['<unk>'])
|
||
|
|
self.vocab.set_default_index(self.vocab['<unk>'])
|
||
|
|
self.vocabulary_size = vocabulary_size
|
||
|
|
self.text_file = text_file
|
||
|
|
|
||
|
|
def __iter__(self):
|
||
|
|
return look_ahead_iterator(
|
||
|
|
(self.vocab[t] for t in itertools.chain.from_iterable(get_word_lines_from_file(self.text_file))))
|
||
|
|
|
||
|
|
train_dataset = Bigrams('opensubtitlesA.pl.shuf.txt', vocab_size)
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
:end:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
from torch.utils.data import DataLoader
|
||
|
|
|
||
|
|
next(iter(train_dataset))
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
(2, 19922)
|
||
|
|
:end:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
from torch.utils.data import DataLoader
|
||
|
|
|
||
|
|
next(iter(DataLoader(train_dataset, batch_size=5)))
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
[tensor([ 2, 19922, 114, 888, 1152]), tensor([19922, 114, 888, 1152, 3])]
|
||
|
|
:end:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
device = 'cuda'
|
||
|
|
model = SimpleBigramNeuralLanguageModel(vocab_size, embed_size).to(device)
|
||
|
|
data = DataLoader(train_dataset, batch_size=8000)
|
||
|
|
optimizer = torch.optim.Adam(model.parameters())
|
||
|
|
criterion = torch.nn.NLLLoss()
|
||
|
|
|
||
|
|
model.train()
|
||
|
|
step = 0
|
||
|
|
for x, y in data:
|
||
|
|
x = x.to(device)
|
||
|
|
y = y.to(device)
|
||
|
|
optimizer.zero_grad()
|
||
|
|
ypredicted = model(x)
|
||
|
|
loss = criterion(torch.log(ypredicted), y)
|
||
|
|
if step % 100 == 0:
|
||
|
|
print(step, loss)
|
||
|
|
step += 1
|
||
|
|
loss.backward()
|
||
|
|
optimizer.step()
|
||
|
|
|
||
|
|
torch.save(model.state_dict(), 'model1.bin')
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
None
|
||
|
|
:end:
|
||
|
|
|
||
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
||
|
|
vocab = train_dataset.vocab
|
||
|
|
ixs = torch.tensor(vocab.forward(['jest', 'mieszkam', 'w', 'londynie'])).to(device)
|
||
|
|
|
||
|
|
out = model(ixs)
|
||
|
|
top = torch.topk(out[0], 10)
|
||
|
|
top_indices = top.indices.tolist()
|
||
|
|
top_probs = top.values.tolist()
|
||
|
|
top_words = vocab.lookup_tokens(top_indices)
|
||
|
|
list(zip(top_words, top_indices, top_probs))
|
||
|
|
#+END_SRC
|
||
|
|
|
||
|
|
#+RESULTS:
|
||
|
|
:results:
|
||
|
|
[('jorku', 1079, 0.41101229190826416), ('.', 3, 0.07469522953033447), ('<unk>', 0, 0.04370327666401863), (',', 4, 0.023186953738331795), ('...', 15, 0.0091575738042593), ('?', 6, 0.008711819536983967), ('tym', 30, 0.0047738500870764256), ('to', 7, 0.004259662237018347), ('do', 17, 0.004140778910368681), ('w', 10, 0.003930391278117895)]
|
||
|
|
:end:
|