【NLP实战】基于ALBERT的文本相似度计算
实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏推出了实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。
ALBERT是一个比BERT要轻量，效果更好的模型，本篇实践介绍如何用ALBERT计算两个文本的相似度。
作者&编辑 | 小Dream哥
1 ALBERT介绍
ALBERT利用词嵌入参数因式分解和隐藏层间参数共享两种手段，显著减少了模型的参数量的同时，基本没有损失模型的性能。笔者在下面的文章中详细介绍了ALBERT的理论，感兴趣的同学可以戳进去了解：
albert_tiny模型，能够显著提高模型的推理速度，但是效果依然很棒，这里介绍如何基于albert_tiny模型进行文本相似度计算。
2 BERT4KERAS
本来自己写了个基于tensorflow的ALBERT模型，后来看到苏剑林老师的bert4keras，觉得确实实现简洁，易懂。遂决定分享给大家。
感兴趣的同学可以看看苏剑林老师的网站：
https://spaces.ac.cn/archives/6915
BERT4KERAS是苏老师基于kears实现的几个BERT模型，包括BERT，ALBERT和ROBERTA，基于BERT4KERAS可以快速的使用这些模型，也能够快速的实现对BERT改进的想法。
快速安装：
pip install git+https://www.github.com/bojone/bert4keras.git
3 如何获取ALBERT-zh
从如下的github中能够获取训练好的ALBERT-zh 模型：
https://github.com/brightmart/albert_zh
4 开始实战
ALBERT输出的第一个向量，可以用来表征整体的输入文本，在本篇实战中，利用这个向量来计算文本之间的相似度。
相似度的计算大致可以分为这么几个步骤：
1. 构建模型，加载ALBERT预训练模型。
2. 构建分词器，处理输入。
3. 利用模型，计算输入文本的向量表征。
4. 利用文本向量，计算两个文本之间距离或者相似度。
1）构建模型，加载ALBERT预训练模型
# 加载预训练模型 bert = build_bert_model( config_path=config_path, checkpoint_path=checkpoint_path, with_pool=True, albert=True, return_keras_model=False, )
这里直接调用bert4keras的build_bert_model接口，构建albert模型，并直接加载albert的中文模型的权重。
config_path用来指定模型的配置文件路径；
checkpoint_path用来指定模型权重文件的路径；
albert表示指定用albert模型；
2) 构建分词器，处理输入
#构建分词器
tokenizer = Tokenizer(dict_path)
#格式化输入
token_ids1, segment_ids1 = tokenizer.encode(u'我想去北京') token_ids2, segment_ids2 = tokenizer.encode(u'我想去中国香港') token_ids3, segment_ids3 = tokenizer.encode(u'目前的局势，止暴制乱，刻不容缓')
首先构建分词器这里直接用了bert4keras定义的分词器Tokenizer。
然后用分词器处理输入，获得输入文本在词典中的序号表示及分段信息表示。这里解释下为什么要将输入文本转化成这两个表示：
1.albert模型的输入与bert类似，需要接受词、分段以及位置三个输入，位置信息由模型内的代码处理；
2.将词转化为词在词典中的序号便于后续的词嵌入操作。
3) 利用模型，计算输入文本的向量表征
#计算文本的向量表征，获取albert的第一个位置的输出
sentence_vec1 = model.predict([np.array([token_ids1]), np.array([segment_ids1])])[0] sentence_vec2 = model.predict([np.array([token_ids2]), np.array([segment_ids2])])[0] sentence_vec3 = model.predict([np.array([token_ids3]), np.array([segment_ids3])])[0]
因为我们本次是直接利用预训练模型的知识，直接计算文本的向量表征，因此没有训练过程，直接predict即可获得文本的向量表征。这里，获取albert的第一个位置的输出作为输入文本的向量表征。
4) 计算文本相似度
# 引入两个相似度计算包，欧氏距离和余弦距离
from sklearn.metrics.pairwise import euclidean_distances from sklearn.metrics.pairwise import cosine_similarity #定义相似度计算函数 def similarity_count(vec1, vec2, mode='cos'): if mode == 'eu': return euclidean_distances([vec1,vec2])[0][1] if mode == 'cos': return cosine_similarity([vec1, vec2])[0][1]
#相似度计算
#余弦距离
similarity_count(sentence_vec1, sentence_vec2)
#欧式距离 similarity_count(sentence_vec1, sentence_vec2, mode='eu')
这里引入sklearn中的两个计算欧氏距离和余弦距离的包来计算文本之间的距离。具体过程相对简单，直接看上面的代码吧。
5 结果展示
如上图所示，计算了“我想去北京”和“我想去中国香港”两句话的余弦距离和欧式距离；计算了“我想去北京”和“目前的局势，止暴制乱，刻不容缓”两句话的余弦距离和欧式距离。两句表达意思相近的话，相似度较高，距离较短。但是区隔度不是特别大，所以，在生产中，在一些特别的领域，需要用特别的语料，进行fintune，会有更好的效果。
至此，介绍了如何利用bert4keras搭建albert模型进行文本相似度计算，代码在我们有三AI的github可以下载：https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing
找到albert文件夹，执行python3 similarity.py就可以运行了。
总结
ALBERT利用词嵌入参数因式分解和隐藏层间参数共享两种手段，显著减少了模型的参数量的同时，基本没有损失模型的性能，是一个不错的工作。
除了使用它，更关键的是albert模型的实现和理论。我们会在知识星球讨论相关的内容。
知识星球主要有以下内容：
(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景，几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点，通过介绍聊天机器人的原理和实践，逐步系统的更新到大部分NLP的知识，会包括语义匹配，文本分类，意图识别，语义匹配命名实体识别、对话管理以及分词等。
(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性，就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施，目前各大公司都在着力打造知识图谱，作为一个NLP工程师，必须要熟悉和了解他。
(3) NLP预训练模型。基于海量数据，进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式，很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解？
转载文章请后台联系
侵权必究
