自然语言处理之基于biLSTM的pytorch立场检测实现

前面我已经讲过了LSTM的原理，想要了解的看上一篇就行。

LSTM理解了，biLSTM其实也就很容易理解了。这个实验，我是根据黑龙家大学nlp实验室的冯志，王潜升师兄的指导以及一篇基于biLSTM的paper实现的，如果想要这个paper的pdf，可以私聊我，一起进步。

biLSTM是双向循环神经网络，简单的理解就是LSTM正向走一遍，又反向走了一遍而已。而对于立场检测这个实验，在这里我借用此论文的图片：

Stance Detection with Bidirectional Conditional Encoding

先说数据文本格式：

数据截图

前面是topic（图里的target），中间是针对这个topic的谈论文本，最后是这个文本在这个topic下的立场，格式简化为：

sentence = topic + text + label

而这里的topic有5种，分别为：

'Atheism', 'Feminist Movement', 'Hillary Clinton', 'Legalization of Abortion', 'Climate Change is a Real Concern'

而上面biLSTM网络流程图就是选取的topic为Legalization of Abortion的例子。

现在我来结合代码详细解释下这个基于biLSTM网络的立场检测实验：

首先，把网络搭建好：

其中，LSTM的参数隐藏层大小hiddenSize和隐藏层数量hiddenNum，我用上面的图详细解释下：

hiddenSize是说LSTM一个cell的参数大小，hiddenNum是说这样大网络循环的个数。

网络搭建好了，数据开始在网络中流动：

假设EmbedSize = 100，hiddenSize = 50

topic，text分别过Embedding Layer，维度分别为：(1,1,100)，(1,17,100)

然后分别经过biLSTM Layer，维度为：(1,1,200)，(1,17,200)

因为一会要经过一个maxPooling，所以现在先转置下，维度为(1,200,1)，(1,200,17)：

然后经过一个激活函数tanh，维度不变为(1,200,1)，(1,200,17)：

在第三维上，分别经过maxPooling，之后的维度为(1, 200, 1)，(1, 200, 1)：

然后cat在一起，维度为(1, 400, 1)：

一会要经过线性层，可以先将没用的第三维扔掉，维度为(1, 400)：

然后经过第一个线性层(400->100)，维度为(1,100)：

然后再经过一个tanh，维度不变(1,100)：

最后，经过最后一个线性层(100->3)，维度为(1,3):

你或许有疑问，为什么不直接经过一个线性层呢？因为我们要直接从400->3的话，信息会损失很多，如果分别经过两个400->100, 100->3，这样就不会损失那么多信息了，如果你想用三个线性层也可以，自己感觉调到最佳就好。

这个整体的数据流图为：

整个也就算讲完了，其实也想把实验结果摆上来的，可是我的电脑是4G的。。太慢了。。但是如果想要源代码的话，可以留言给我，共同进步。