NNLM - 神经网络语言模型 | 高效的单词预测工具-Toy模板网

这篇具有很好参考价值的文章主要介绍了NNLM - 神经网络语言模型 | 高效的单词预测工具。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

本系列将持续更新NLP相关模型与方法，欢迎关注！

简介

神经网络语言模型（NNLM）是一种人工智能模型，用于学习预测词序列中下一个词的概率分布。它是自然语言处理（NLP）中的一个强大工具，在机器翻译、语音识别和文本生成等领域都有广泛的应用。

Paper - A Neural Probabilistic Language Model(2003)^[1]

原理

NNLM 首先学习词的分布式表示，也称为词嵌入，它捕捉了词之间的语义相似性。然后将这些嵌入输入到神经网络模型中，通常是一个前馈神经网络或循环神经网络（RNN），该模型根据前面的词提供的上下文来学习预测序列中的下一个词。

例如，给定句子“猫在坐在”，NNLM 可能会高概率地预测下一个词为“地板”，因为这是给定上下文的常见补充。

示例

假设我们有一个大型的文本语料库，比如一系列新闻文章。我们可以对这些数据进行 NNLM 训练，以学习单词和它们上下文之间的关系。训练完成后，模型可以生成连贯和与上下文相关的句子。

例如，如果我们提供初始短语“人工智能是”，NNLM 可能生成以下完成句子：“人工智能正在改变行业，重塑未来的工作。”

应用

机器翻译： NNLM 在机器翻译系统中发挥作用，通过预测源语言上下文的下一个词来生成流畅且准确的翻译。
语音识别： NNLM 在语音识别系统中起着至关重要的作用，通过从口语表达中预测最可能的词序列。
文本生成： NNLM 在各种文本生成任务中使用，包括对话生成、故事生成和内容摘要，在这些任务中，它们基于给定的输入生成连贯且与上下文相关的文本。
语言建模： NNLM 作为语言建模任务的基础，用于估计在给定上下文中序列单词发生的概率。这在拼写检查、自动完成和语法错误检测等任务中特别有用。

Code

# code by Tae Hwan Jung @graykode
import torch
import torch.nn as nn
import torch.optim as optim

def make_batch():
    input_batch = []
    target_batch = []

    for sen in sentences:
        word = sen.split() # space tokenizer
        input = [word_dict[n] for n in word[:-1]] # create (1~n-1) as input
        target = word_dict[word[-1]] # create (n) as target, We usually call this 'casual language model'

        input_batch.append(input)
        target_batch.append(target)

    return input_batch, target_batch

# Model
class NNLM(nn.Module):
    def __init__(self):
        super(NNLM, self).__init__()
        self.C = nn.Embedding(n_class, m)
        self.H = nn.Linear(n_step * m, n_hidden, bias=False)
        self.d = nn.Parameter(torch.ones(n_hidden))
        self.U = nn.Linear(n_hidden, n_class, bias=False)
        self.W = nn.Linear(n_step * m, n_class, bias=False)
        self.b = nn.Parameter(torch.ones(n_class))

    def forward(self, X):
        X = self.C(X) # X : [batch_size, n_step, m]
        X = X.view(-1, n_step * m) # [batch_size, n_step * m]
        tanh = torch.tanh(self.d + self.H(X)) # [batch_size, n_hidden]
        output = self.b + self.W(X) + self.U(tanh) # [batch_size, n_class]
        return output

if __name__ == '__main__':
    n_step = 2 # number of steps, n-1 in paper
    n_hidden = 2 # number of hidden size, h in paper
    m = 2 # embedding size, m in paper

    sentences = ["i like dog", "i love coffee", "i hate milk"]

    word_list = " ".join(sentences).split()
    word_list = list(set(word_list))
    word_dict = {w: i for i, w in enumerate(word_list)}
    number_dict = {i: w for i, w in enumerate(word_list)}
    n_class = len(word_dict)  # number of Vocabulary

    model = NNLM()

    criterion = nn.CrossEntropyLoss()
    optimizer = optim.Adam(model.parameters(), lr=0.001)

    input_batch, target_batch = make_batch()
    input_batch = torch.LongTensor(input_batch)
    target_batch = torch.LongTensor(target_batch)

    # Training
    for epoch in range(5000):
        optimizer.zero_grad()
        output = model(input_batch)

        # output : [batch_size, n_class], target_batch : [batch_size]
        loss = criterion(output, target_batch)
        if (epoch + 1) % 1000 == 0:
            print('Epoch:', '%04d' % (epoch + 1), 'cost =', '{:.6f}'.format(loss))

        loss.backward()
        optimizer.step()

    # Predict
    predict = model(input_batch).data.max(1, keepdim=True)[1]

    # Test
    print([sen.split()[:2] for sen in sentences], '->', [number_dict[n.item()] for n in predict.squeeze()])