TL; DR
在Jindtrich's answer之后,我实现了一个上下文感知的最近邻居搜索器。完整的代码可在我的Github gist
中找到
它需要类似BERT的模型(我使用bert-embeddings)和句子的语料库(我从here提取了一个小句子),处理每个句子,并有效地存储上下文标记嵌入可搜索的数据结构(我使用KDTree,但可以选择FAISS或HNSW或其他任何东西)。
示例
模型的构造如下:
# preparing the model
storage = ContextNeighborStorage(sentences=all_sentences,model=bert)
storage.process_sentences()
storage.build_search_index()
然后可以查询上下文中最相似的词,例如
# querying the model
distances,neighbors,contexts = storage.query(
query_sent='It is a power bank.',query_word='bank',k=5)
在此示例中,最近的邻居将是句子“ 中的单词“ bank ”。最后,Duo的第二个版本合并了2000mAH功率 bank ,Flip Power World。”。
但是,如果我们在另一个上下文中寻找相同的单词,例如
distances,contexts = storage.query(
query_sent='It is an investment bank.',k=5)
然后,最近的邻居将出现在句子中: 银行还在2017年12月31日获得了财务数据的5星级Superior Bauer评级。 “
如果我们不想检索“ bank”一词或其派生词,则可以将其过滤掉
distances,contexts = storage.query(
query_sent='It is an investment bank.',k=5,filter_same_word=True)
,然后最接近的邻居将在句子“ Cahal是Deloitte UK的副主席兼咨询公司 Finance 的主席中,单词“ finance ”。 2014年的业务(以前是2005年的业务)。”。
NER中的应用
此方法的一个很酷的应用是可解释的命名实体识别。我们可以使用带有IOB标签的示例填充搜索索引,然后使用检索到的示例来推断查询词的正确标签。
例如,最近的邻居“ Bezos宣布其为期两天的送货服务 Amazon Prime已在全球超过1亿用户。”是“ 扩展了第三方集成,包括 Amazon Alexa,Google Assistant和IFTTT。”。
但是对于“ 大西洋”来说,它具有足够的波浪和潮汐能,可以将大部分亚马逊的沉积物带出海洋,因此这条河并不是真正的三角洲 “最近的邻居是“ ,今年,我们的故事是从巴西的伊瓜苏瀑布(Iguassu Falls)到亚特兰大的养鸡场的旅行。”
因此,如果对这些邻居进行标记,我们可以推断出在第一个上下文中“ Amazon”是ORGanization,但是在第二个上下文中是“ LOCation”。
代码
这是完成这项工作的课程:
import numpy as np
from sklearn.neighbors import KDTree
from tqdm.auto import tqdm
class ContextNeighborStorage:
def __init__(self,sentences,model):
self.sentences = sentences
self.model = model
def process_sentences(self):
result = self.model(self.sentences)
self.sentence_ids = []
self.token_ids = []
self.all_tokens = []
all_embeddings = []
for i,(toks,embs) in enumerate(tqdm(result)):
for j,(tok,emb) in enumerate(zip(toks,embs)):
self.sentence_ids.append(i)
self.token_ids.append(j)
self.all_tokens.append(tok)
all_embeddings.append(emb)
all_embeddings = np.stack(all_embeddings)
# we normalize embeddings,so that euclidian distance is equivalent to cosine distance
self.normed_embeddings = (all_embeddings.T / (all_embeddings**2).sum(axis=1) ** 0.5).T
def build_search_index(self):
# this takes some time
self.indexer = KDTree(self.normed_embeddings)
def query(self,query_sent,query_word,k=10,filter_same_word=False):
toks,embs = self.model([query_sent])[0]
found = False
for tok,emb in zip(toks,embs):
if tok == query_word:
found = True
break
if not found:
raise ValueError('The query word {} is not a single token in sentence {}'.format(query_word,toks))
emb = emb / sum(emb**2)**0.5
if filter_same_word:
initial_k = max(k,100)
else:
initial_k = k
di,idx = self.indexer.query(emb.reshape(1,-1),k=initial_k)
distances = []
neighbors = []
contexts = []
for i,index in enumerate(idx.ravel()):
token = self.all_tokens[index]
if filter_same_word and (query_word in token or token in query_word):
continue
distances.append(di.ravel()[i])
neighbors.append(token)
contexts.append(self.sentences[self.sentence_ids[index]])
if len(distances) == k:
break
return distances,contexts
,
BERT提供上下文表示,即一个单词和上下文的联合表示。与非上下文嵌入不同,最不清楚的词的含义不清楚。
一个很好的近似词当然是BERT作为(掩盖的)语言模型所做的预测。它基本上说出在相同的上下文中可能有哪些相似的词。但是,这不在client API of bert-as-service中。您可以自己实现预测层(我认为这只是最后一层与嵌入矩阵+ softmax的乘积,但可能还会有一些其他的投影)或使用诸如Hugginface's Transformers之类的不同实现。 / p>
最理论上正确(且计算量大)的解决方案是在大型数据集上运行BERT,并存储成对的单词和相应的上下文表示,然后使用faiss来检索也包括上下文的最近邻居。 ,类似于nearest neighbors language models中的内容。
本文链接:https://www.f2er.com/2729988.html