使用BERT和TensorFlow构建搜索引擎

代码医生工作室

发布于 2019-07-05 18:33:51

1.9K0

发布于 2019-07-05 18:33:51

文章被收录于专栏：相约机器人

作者 | Denis Antyukhov

来源 | Medium

编辑 | 代码医生团队

基于神经概率语言模型的特征提取器，例如与多种下游NLP任务相关的BERT提取特征。因此它们有时被称为自然语言理解（NLU）模块。

这些特征还可以用于基于实例的学习，其依赖于计算查询与训练样本的相似性。为了证明这一点，将使用BERT特征提取为文本构建最近邻搜索引擎。

这个实验的计划是：

获得预先训练的BERT模型检查点
提取针对推理优化的子图
使用tf.Estimator创建特征提取器
用T-SNE和嵌入式投影仪探索向量空间
实现最近邻搜索引擎
用数学加速最近邻查询
示例：构建电影推荐系统

问题和解答

本指南中包含哪些内容？

本指南包含两个实现：BERT文本特征提取器和最近邻居搜索引擎。

这个指南是谁？

本指南对于有兴趣使用BERT进行自然语言理解任务的研究人员非常有用。它也可以作为与tf.Estimator API接口的工作示例。

需要做些什么？

对于熟悉TensorFlow的读者来说，完成本指南大约需要30分钟。

相关代码

这个实验的代码可以在Colab中找到。另外，查看为BERT实验设置的存储库：它包含奖励内容。

https://colab.research.google.com/drive/1ra7zPFnB2nWtoAc0U5bLp0rWuPWb6vu4

https://github.com/gaphex/bert_experimental

第1步：获得预先训练的模型

从预先训练的BERT检查点开始。出于演示目的，将使用由Google工程师预先训练的无框架英语模型。

为了配置和优化图形以进行推理，将使用令人敬畏的bert-as-a-service存储库。此存储库允许通过TCP为远程客户端提供BERT模型。

拥有远程BERT服务器在多主机环境中是有益的。但是在实验的这一部分中，将专注于创建一个本地（进程中）特征提取器。如果希望避免客户端 - 服务器体系结构引入的额外延迟和潜在故障模式，这将非常有用。

现在下载模型并安装包。

!wget https://storage.googleapis.com/bert_models/2019_05_30/wwm_uncased_L-24_H-1024_A-16.zip
!unzip wwm_uncased_L-24_H-1024_A-16.zip
!pip install bert-serving-server --no-deps

第2步：优化推理图

通常要修改模型图，必须进行一些低级TensorFlow编程。但是由于bert-as-a-service，可以使用简单的CLI界面配置推理图。

import os
import tensorflow as tf
 
from bert_serving.server.graph import optimize_graph
from bert_serving.server.helper import get_args_parser
 
 
MODEL_DIR = '/content/wwm_uncased_L-24_H-1024_A-16/' #@param {type:"string"}
GRAPH_DIR = '/content/graph/' #@param {type:"string"}
GRAPH_OUT = 'extractor.pbtxt' #@param {type:"string"}
GPU_MFRAC = 0.2 #@param {type:"string"}
 
POOL_STRAT = 'REDUCE_MEAN' #@param {type:"string"}
POOL_LAYER = "-2" #@param {type:"string"}
SEQ_LEN = "64" #@param {type:"string"}
 
tf.gfile.MkDir(GRAPH_DIR)
 
parser = get_args_parser()
carg = parser.parse_args(args=['-model_dir', MODEL_DIR,
                               "-graph_tmp_dir", GRAPH_DIR,
                               '-max_seq_len', str(SEQ_LEN),
                               '-pooling_layer', str(POOL_LAYER),
                               '-pooling_strategy', POOL_STRAT,
                               '-gpu_memory_fraction', str(GPU_MFRAC)])
 
tmpfi_name, config = optimize_graph(carg)
graph_fout = os.path.join(GRAPH_DIR, GRAPH_OUT)
 
tf.gfile.Rename(
    tmpfi_name,
    graph_fout,
    overwrite=True
)
print("Serialized graph to {}".format(graph_fout))

有几个参数需要注意。

对于每个文本样本，BERT编码层输出一个形状的张量[ sequence_len，encoder_dim ]，每个标记有一个向量。如果要获得固定的表示，需要应用某种池。

POOL_STRAT参数定义应用于编码层编号POOL_LAYER的池策略。默认值' REDUCE_MEAN '平均序列中所有标记的向量。当模型未经过微调时，此策略最适用于大多数句子级别的任务。另一个选项是NONE，在这种情况下根本不应用池。这对于命名实体识别或POS标记等单词级任务非常有用。有关这些选项的详细讨论，请查看韩晓的博文。

https://hanxiao.github.io/2019/01/02/Serving-Google-BERT-in-Production-using-Tensorflow-and-ZeroMQ/

SEQ_LEN影响模型处理的序列的最大长度。较小的值将几乎线性地增加模型推理速度。

运行上述命令将把模型图和权重成GraphDef将被序列化到一个对象pbtxt在文件GRAPH_OUT。该文件通常小于预先训练的模型，因为将删除训练所需的节点和变量。这导致了一个非常便携的解决方案：例如序列化后英语模型只需要380 MB。

第3步：创建特征提取器

现在将使用序列化图形来使用tf.Estimator API构建特征提取器。需要定义两件事：input_fn和model_fn

input_fn管理将数据导入模型。这包括执行整个文本预处理管道和为BERT 准备feed_dict。

首先，将每个文本样本转换为包含INPUT_NAMES 中列出的必要功能的tf.Example实例。该bert_tokenizer对象包含WordPiece词汇和执行文本预处理。之后，示例将按照feed_dict中的功能名称进行重新分组。

INPUT_NAMES = ['input_ids', 'input_mask', 'input_type_ids']
bert_tokenizer = FullTokenizer(VOCAB_PATH)
 
def build_feed_dict(texts):
    
    text_features = list(convert_lst_to_features(
        texts, SEQ_LEN, SEQ_LEN, 
        bert_tokenizer, log, False, False))
 
    target_shape = (len(texts), -1)
 
    feed_dict = {}
    for iname in INPUT_NAMES:
        features_i = np.array([getattr(f, iname) for f in text_features])
        features_i = features_i.reshape(target_shape)
        features_i = features_i.astype("int32")
        feed_dict[iname] = features_i
 
    return feed_dict

tf.Estimators有一个有趣的功能，可以在每次调用预测函数时重建并重新初始化整个计算图。因此，为了避免开销，将生成器传递给预测函数，并且生成器将在永无止境的循环中为模型生成特征。

def build_input_fn(container):
    
    def gen():
        while True:
          try:
            yield build_feed_dict(container.get())
          except StopIteration:
            yield build_feed_dict(container.get())
 
    def input_fn():
        return tf.data.Dataset.from_generator(
            gen,
            output_types={iname: tf.int32 for iname in INPUT_NAMES},
            output_shapes={iname: (None, None) for iname in INPUT_NAMES})
    return input_fn
 
class DataContainer:
  def __init__(self):
    self._texts = None
  
  def set(self, texts):
    if type(texts) is str:
      texts = [texts]
    self._texts = texts
    
  def get(self):
    return self._texts

model_fn包含模型的规范。在例子中，它是从上一步中保存的pbtxt文件加载的。功能通过input_map显式映射到相应的输入节点。

def model_fn(features, mode):
    with tf.gfile.GFile(GRAPH_PATH, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        
    output = tf.import_graph_def(graph_def,
                                 input_map={k + ':0': features[k] 
                                            for k in INPUT_NAMES},
                                 return_elements=['final_encodes:0'])
 
    return EstimatorSpec(mode=mode, predictions={'output': output[0]})
  
estimator = Estimator(model_fn=model_fn)

现在几乎拥有了进行推理所需的一切。开工吧！

def batch(iterable, n=1):
    l = len(iterable)
    for ndx in range(0, l, n):
        yield iterable[ndx:min(ndx + n, l)]
 
def build_vectorizer(_estimator, _input_fn_builder, batch_size=128):
  container = DataContainer()
  predict_fn = _estimator.predict(_input_fn_builder(container), yield_single_examples=False)
  
  def vectorize(text, verbose=False):
    x = []
    bar = Progbar(len(text))
    for text_batch in batch(text, batch_size):
      container.set(text_batch)
      x.append(next(predict_fn)['output'])
      if verbose:
        bar.add(len(text_batch))
      
    r = np.vstack(x)
    return r
  
  return vectorize

可以在存储库中找到上述功能提取器的独立版本。

https://github.com/gaphex/bert_experimental

>>> bert_vectorizer = build_vectorizer（estimator，build_input_fn）
>>> bert_vectorizer（64 * ['sample text']）。shape 
（64,768 ）

第4步：使用Projector探索向量空间

现在是时候进行演示了！

使用矢量化器，将为Reuters-21578基准语料库中的文章生成嵌入。

为了在3D中可视化和探索嵌入向量空间，将使用称为T-SNE的降维技术。

先来看一下嵌入文章吧。

from nltk.corpus import reuters
 
nltk.download("reuters")
nltk.download("punkt")
 
max_samples = 256
categories = ['wheat', 'tea', 'strategic-metal', 
              'housing', 'money-supply', 'fuel']
 
S, X, Y = [], [], []
 
for category in categories:
  print(category)
  
  sents = reuters.sents(categories=category)
  sents = [' '.join(sent) for sent in sents][:max_samples]
  X.append(bert_vectorizer(sents, verbose=True))
  Y += [category] * len(sents)
  S += sents
  
X = np.vstack(X) 
X.shape

嵌入式投影仪可以使用生成的嵌入的交互式可视化。

可以自己运行T-SNE或使用右下角的书签加载检查点（加载仅适用于Chrome）。

第5步：构建搜索引擎

现在，假设拥有50k文本样本的知识库，需要快速回答基于此数据的查询。如何从文本数据库中检索与查询最相似的样本？答案是最近邻搜索。

在形式上，将解决搜索问题定义如下：

给定一组点的小号在向量空间中号，并查询点Q ∈ 中号，发现在最近点小号到Q。有多种方法可以在向量空间中定义“最接近”，将使用欧几里德距离。

因此要为文本构建搜索引擎，将遵循以下步骤：

矢量化来自知识库的所有样本 - 得到S
向量化查询 - 给出Q.
计算Q和S之间的欧氏距离D.
按升序排序D - 提供最相似样本的索引
从知识库中检索所述样本的标签

为了简单地实现这一点将在纯TensorFlow中实现。

首先，为Q和S创建占位符

dim = 1024
graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)
 
Q = tf.placeholder("float", [dim])
S = tf.placeholder("float", [None, dim])

定义欧氏距离计算

squared_distance = tf.reduce_sum(tf.pow(Q - S, 2), reduction_indices=1)
distance = tf.sqrt(squared_distance)

最后，获得最相似的样本索引

top_k = 3
 
top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=top_k)
top_dists = tf.negative(top_neg_dists)

第6步：用数学加速搜索

现在已经设置了基本的检索算法，问题是：

可以让它运行得更快吗？通过一点点数学可以的。

对于一对向量p和q，欧氏距离定义如下：

这正是在第4步中计算它的方式。

但是，由于p和q是向量，可以扩展并重写它：

其中⟨...⟩表示内在产品。

在TensorFlow中，这可以写成如下：

Q = tf.placeholder("float", [dim])
S = tf.placeholder("float", [None, dim])
 
Qr = tf.reshape(Q, (1, -1))
 
PP = tf.keras.backend.batch_dot(S, S, axes=1)
QQ = tf.matmul(Qr, tf.transpose(Qr))
PQ = tf.matmul(S, tf.transpose(Qr))
 
distance = PP - 2 * PQ + QQ
distance = tf.sqrt(tf.reshape(distance, (-1,)))
 
top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=top_k)

由于矩阵乘法运算是高度优化的，因此该实现的工作速度比前一个略快。

顺便说一下，在上面的公式中，PP和QQ实际上是各个向量的L2范数的平方。如果两个向量都是L2归一化的，则PP = QQ = 1.这给出了内积与欧氏距离之间的有趣关系：

然而，进行L2归一化会丢弃关于矢量幅度的信息，这在很多情况下是不合需要的。

相反，可能会注意到，只要知识库没有改变，PP，其平方向量范数也保持不变。因此，不是每次重新计算它，而是使用预先计算的结果，进一步加速距离计算。

现在把它们放在一起。

class L2Retriever:
    def __init__(self, dim, top_k=3, use_norm=False, use_gpu=True):
        self.dim = dim
        self.top_k = top_k
        self.use_norm = use_norm
        config = tf.ConfigProto(
            device_count={'GPU': (1 if use_gpu else 0)}
        )
        config.gpu_options.allow_growth = True
        self.session = tf.Session(config=config)
        
        self.norm = None
        self.query = tf.placeholder("float", [self.dim])
        self.kbase = tf.placeholder("float", [None, self.dim])
        
        self.build_graph()
 
    def build_graph(self):
      
        if self.use_norm:
            self.norm = tf.placeholder("float", [None, 1])
 
        distance = dot_l2_distances(self.kbase, self.query, self.norm)
        top_neg_dists, top_indices = tf.math.top_k(tf.negative(distance), k=self.top_k)
        top_dists = tf.negative(top_neg_dists)
 
        self.top_distances = top_dists
        self.top_indices = top_indices
 
    def predict(self, kbase, query, norm=None):
        query = np.squeeze(query)
        feed_dict = {self.query: query, self.kbase: kbase}
        if self.use_norm:
          feed_dict[self.norm] = norm
        
        I, D = self.session.run([self.top_indices, self.top_distances],
                                feed_dict=feed_dict)
        
        return I, D
      
def dot_l2_distances(kbase, query, norm=None):
    query = tf.reshape(query, (1, -1))
    
    if norm is None:
      XX = tf.keras.backend.batch_dot(kbase, kbase, axes=1)
    else:
      XX = norm
    YY = tf.matmul(query, tf.transpose(query))
    XY = tf.matmul(kbase, tf.transpose(query))
    
    distance = XX - 2 * XY + YY
    distance = tf.sqrt(tf.reshape(distance, (-1,)))
    
    return distance

示例：电影推荐系统

对于此示例，将使用IMDB中的电影摘要数据集。使用NLU和Retriever模块，将构建一个电影推荐系统，用于建议具有类似绘图功能的电影。

首先，下载并准备IMDB数据集。

http://www.cs.cmu.edu/~ark/personas/

import pandas as pd
import json
 
!wget http://www.cs.cmu.edu/~ark/personas/data/MovieSummaries.tar.gz
!tar -xvzf MovieSummaries.tar.gz
 
plots_df = pd.read_csv('MovieSummaries/plot_summaries.txt', sep='\t', header=None)
meta_df = pd.read_csv('MovieSummaries/movie.metadata.tsv', sep='\t', header=None)
 
plot = {}
metadata = {}
movie_data = {}
 
for movie_id, movie_plot in plots_df.values:
  plot[movie_id] = movie_plot 
 
for movie_id, movie_name, movie_genre in meta_df[[0,2,8]].values:
  genre = list(json.loads(movie_genre).values())
  if len(genre):
    metadata[movie_id] = {"name": movie_name,
                          "genre": genre}
    
for movie_id in set(plot.keys())&set(metadata.keys()):
  movie_data[metadata[movie_id]['name']] = {"genre": metadata[movie_id]['genre'],
                                            "plot": plot[movie_id]}
  
X, Y, names = [], [], []
 
for movie_name, movie_meta in movie_data.items():
  X.append(movie_meta['plot'])
  Y.append(movie_meta['genre'])
  names.append(movie_name)

使用BERT NLU模块矢量化电影情节：

X_vect = bert_vectorizer(X, verbose=True)

最后，使用L2Retriever，找到与查询电影最相似的绘图向量的电影，并将其返回给用户。

def buildMovieRecommender(movie_names, vectorized_plots, top_k=10):
  retriever = L2Retriever(vectorized_plots.shape[1], use_norm=True, top_k=top_k, use_gpu=False)
  vectorized_norm = np.sum(vectorized_plots**2, axis=1).reshape((-1,1))
  
  def recommend(query):
    try:
      idx = retriever.predict(vectorized_plots, 
                              vectorized_plots[movie_names.index(query)], 
                              vectorized_norm)[0][1:]
      for i in idx:
        print(names[i])
    except ValueError:
      print("{} not found in movie db. Suggestions:")
      for i, name in enumerate(movie_names):
        if query.lower() in name.lower():
          print(i, name)
          
  return recommend

来看看！

>>> recommend = buildMovieRecommender(names, X_vect)
>>> recommend("The Matrix")
Impostor 
Immortel 
Saturn 3 
Terminator Salvation 
The Terminator 
Logan's Run 
Genesis II 
Tron: Legacy 
Blade Runner

即使没有监督，该模型也可以在几个分类和检索任务中充分执行。虽然使用监督数据可以进一步提高性能，但所描述的文本特征提取方法为下游NLP解决方案提供了坚实的基线。

以上是使用BERT和TensorFlow构建搜索引擎的指南。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-07-01，如有侵权请联系 cloudcommunity@tencent.com 删除

tensorflow