實(shí)戰(zhàn)是學(xué)習(xí)一門技術(shù)最好的方式，也是深入了解一門技術(shù)唯一的方式。因此，NLP專欄推出了實(shí)戰(zhàn)專欄，讓有興趣的同學(xué)在看文章之余也可以自己動(dòng)手試一試。

ALBERT是一個(gè)比BERT要輕量，效果更好的模型，本篇實(shí)踐介紹如何用ALBERT計(jì)算兩個(gè)文本的相似度。

作者&編輯 | 小Dream哥

1 ALBERT介紹?

ALBERT利用詞嵌入?yún)?shù)因式分解和隱藏層間參數(shù)共享兩種手段，顯著減少了模型的參數(shù)量的同時(shí)，基本沒有損失模型的性能。筆者在下面的文章中詳細(xì)介紹了ALBERT的理論，感興趣的同學(xué)可以戳進(jìn)去了解：

【NLP】ALBERT：更輕更快的的預(yù)訓(xùn)練

albert_tiny模型，能夠顯著提高模型的推理速度，但是效果依然很棒，這里介紹如何基于albert_tiny模型進(jìn)行文本相似度計(jì)算。

2? BERT4KERAS

本來(lái)自己寫了個(gè)基于tensorflow的ALBERT模型，后來(lái)看到蘇劍林老師的bert4keras，覺得確實(shí)實(shí)現(xiàn)簡(jiǎn)潔，易懂。遂決定分享給大家。

感興趣的同學(xué)可以看看蘇劍林老師的網(wǎng)站：

https://spaces.ac.cn/archives/6915

BERT4KERAS是蘇老師基于kears實(shí)現(xiàn)的幾個(gè)BERT模型，包括BERT，ALBERT和ROBERTA，基于BERT4KERAS可以快速的使用這些模型，也能夠快速的實(shí)現(xiàn)對(duì)BERT改進(jìn)的想法。

快速安裝：

pip install git+https://www.github.com/bojone/bert4keras.git

3 如何獲取ALBERT-zh??

從如下的github中能夠獲取訓(xùn)練好的ALBERT-zh 模型：

https://github.com/brightmart/albert_zh

4? 開始實(shí)戰(zhàn)

ALBERT輸出的第一個(gè)向量，可以用來(lái)表征整體的輸入文本，在本篇實(shí)戰(zhàn)中，利用這個(gè)向量來(lái)計(jì)算文本之間的相似度。

相似度的計(jì)算大致可以分為這么幾個(gè)步驟：

1. 構(gòu)建模型，加載ALBERT預(yù)訓(xùn)練模型。

2. 構(gòu)建分詞器，處理輸入。

3. 利用模型，計(jì)算輸入文本的向量表征。

4. 利用文本向量，計(jì)算兩個(gè)文本之間距離或者相似度。

1）構(gòu)建模型，加載ALBERT預(yù)訓(xùn)練模型

# 加載預(yù)訓(xùn)練模型
bert = build_bert_model(
config_path=config_path,
checkpoint_path=checkpoint_path,
? ?with_pool=True,
albert=True,
? ?return_keras_model=False,
)

這里直接調(diào)用bert4keras的build_bert_model接口，構(gòu)建albert模型，并直接加載albert的中文模型的權(quán)重。

config_path用來(lái)指定模型的配置文件路徑；

checkpoint_path用來(lái)指定模型權(quán)重文件的路徑；

albert表示指定用albert模型；

2) 構(gòu)建分詞器，處理輸入

#構(gòu)建分詞器

tokenizer = Tokenizer(dict_path)

#格式化輸入

token_ids1, segment_ids1 = tokenizer.encode(u'我想去北京')
token_ids2, segment_ids2 = tokenizer.encode(u'我想去香港')
token_ids3, segment_ids3 = tokenizer.encode(u'目前的局勢(shì)，止暴制亂，刻不容緩')

首先構(gòu)建分詞器這里直接用了bert4keras定義的分詞器Tokenizer。

然后用分詞器處理輸入，獲得輸入文本在詞典中的序號(hào)表示及分段信息表示。這里解釋下為什么要將輸入文本轉(zhuǎn)化成這兩個(gè)表示：

1.albert模型的輸入與bert類似，需要接受詞、分段以及位置三個(gè)輸入，位置信息由模型內(nèi)的代碼處理；

2.將詞轉(zhuǎn)化為詞在詞典中的序號(hào)便于后續(xù)的詞嵌入操作。

3) 利用模型，計(jì)算輸入文本的向量表征

#計(jì)算文本的向量表征，獲取albert的第一個(gè)位置的輸出

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?yàn)槲覀儽敬问侵苯永妙A(yù)訓(xùn)練模型的知識(shí)，直接計(jì)算文本的向量表征，因此沒有訓(xùn)練過程，直接predict即可獲得文本的向量表征。這里，獲取albert的第一個(gè)位置的輸出作為輸入文本的向量表征。

4) 計(jì)算文本相似度

# 引入兩個(gè)相似度計(jì)算包，歐氏距離和余弦距離

from sklearn.metrics.pairwise import euclidean_distances
from sklearn.metrics.pairwise import cosine_similarity

#定義相似度計(jì)算函數(shù)
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]

#相似度計(jì)算

#余弦距離

similarity_count(sentence_vec1, sentence_vec2)

#歐式距離
similarity_count(sentence_vec1, sentence_vec2, mode='eu')

這里引入sklearn中的兩個(gè)計(jì)算歐氏距離和余弦距離的包來(lái)計(jì)算文本之間的距離。具體過程相對(duì)簡(jiǎn)單，直接看上面的代碼吧。

5 結(jié)果展示

如上圖所示，計(jì)算了“我想去北京”和“我想去香港”兩句話的余弦距離和歐式距離；計(jì)算了“我想去北京”和“目前的局勢(shì)，止暴制亂，刻不容緩”兩句話的余弦距離和歐式距離。兩句表達(dá)意思相近的話，相似度較高，距離較短。但是區(qū)隔度不是特別大，所以，在生產(chǎn)中，在一些特別的領(lǐng)域，需要用特別的語(yǔ)料，進(jìn)行fintune，會(huì)有更好的效果。

至此，介紹了如何利用bert4keras搭建albert模型進(jìn)行文本相似度計(jì)算，代碼在我們有三AI的github可以下載：https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到albert文件夾，執(zhí)行python3 similarity.py就可以運(yùn)行了。

總結(jié)

ALBERT利用詞嵌入?yún)?shù)因式分解和隱藏層間參數(shù)共享兩種手段，顯著減少了模型的參數(shù)量的同時(shí)，基本沒有損失模型的性能，是一個(gè)不錯(cuò)的工作。

除了使用它，更關(guān)鍵的是albert模型的實(shí)現(xiàn)和理論。我們會(huì)在知識(shí)星球討論相關(guān)的內(nèi)容，感興趣的話可以掃描下面的二維碼了解。

讀者們可以留言，或者加入我們的NLP群進(jìn)行討論。感興趣的同學(xué)可以微信搜索jen104，備注"加入有三AI NLP群"。

下期預(yù)告：命名實(shí)體識(shí)別實(shí)踐

知識(shí)星球推薦

掃描上面的二維碼，就可以加入我們的星球，助你成長(zhǎng)為一名合格的自然語(yǔ)言處理算法工程師。

知識(shí)星球主要有以下內(nèi)容：

(1) 聊天機(jī)器人?？紤]到聊天機(jī)器人是一個(gè)非常復(fù)雜的NLP應(yīng)用場(chǎng)景，幾乎涵蓋了所有的NLP任務(wù)及應(yīng)用。所以小Dream哥計(jì)劃以聊天機(jī)器人作為切入點(diǎn)，通過介紹聊天機(jī)器人的原理和實(shí)踐，逐步系統(tǒng)的更新到大部分NLP的知識(shí)，會(huì)包括語(yǔ)義匹配，文本分類，意圖識(shí)別，語(yǔ)義匹配命名實(shí)體識(shí)別、對(duì)話管理以及分詞等。

(2) 知識(shí)圖譜。知識(shí)圖譜對(duì)于NLP各項(xiàng)任務(wù)效果好壞的重要性，就好比基礎(chǔ)知識(shí)對(duì)于一個(gè)學(xué)生成績(jī)好壞的重要性。他是NLP最重要的基礎(chǔ)設(shè)施，目前各大公司都在著力打造知識(shí)圖譜，作為一個(gè)NLP工程師，必須要熟悉和了解他。

(3) NLP預(yù)訓(xùn)練模型?；诤Ａ繑?shù)據(jù)，進(jìn)行超大規(guī)模網(wǎng)絡(luò)的無(wú)監(jiān)督預(yù)訓(xùn)練。具體的任務(wù)再通過少量的樣本進(jìn)行Fine-Tune。這樣模式是目前NLP領(lǐng)域最火熱的模式，很有可能引領(lǐng)NLP進(jìn)入一個(gè)全新發(fā)展高度。你怎么不深入的了解？

轉(zhuǎn)載文章請(qǐng)后臺(tái)聯(lián)系

侵權(quán)必究

往期精選

• 【完結(jié)】 12篇文章帶你完全進(jìn)入NLP領(lǐng)域，掌握核心技術(shù)
  

• 【NLP-詞向量】詞向量的由來(lái)及本質(zhì)

• 【NLP-詞向量】從模型結(jié)構(gòu)到損失函數(shù)詳解word2vec

• 【NLP-NER】什么是命名實(shí)體識(shí)別？

• 【NLP-NER】命名實(shí)體識(shí)別中最常用的兩種深度學(xué)習(xí)模型

• 【NLP-NER】如何使用BERT來(lái)做命名實(shí)體識(shí)別
  

• 【NLP-ChatBot】我們熟悉的聊天機(jī)器人都有哪幾類？

• 【NLP-ChatBot】搜索引擎的最終形態(tài)之問答系統(tǒng)（FAQ）詳述

• 【NLP-ChatBot】能干活的聊天機(jī)器人-對(duì)話系統(tǒng)概述

• 【知識(shí)圖譜】人工智能技術(shù)最重要基礎(chǔ)設(shè)施之一，知識(shí)圖譜你該學(xué)習(xí)的東西

• 【NLP實(shí)戰(zhàn)】tensorflow詞向量訓(xùn)練實(shí)戰(zhàn)

• 【NLP實(shí)戰(zhàn)系列】樸素貝葉斯文本分類實(shí)戰(zhàn)

• 【NLP實(shí)戰(zhàn)系列】Tensorflow命名實(shí)體識(shí)別實(shí)戰(zhàn)

• 【NLP實(shí)戰(zhàn)】如何基于Tensorflow搭建一個(gè)聊天機(jī)器人
  

• 【每周NLP論文推薦】從預(yù)訓(xùn)練模型掌握NLP的基本發(fā)展脈絡(luò)

• 【每周NLP論文推薦】 NLP中命名實(shí)體識(shí)別從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)的代表性研究

• 【每周NLP論文推薦】 介紹語(yǔ)義匹配中的經(jīng)典文章

• 【每周NLP論文推薦】 對(duì)話管理中的標(biāo)志性論文介紹

• 【每周NLP論文推薦】 開發(fā)聊天機(jī)器人必讀的重要論文

• 【每周NLP論文推薦】 掌握實(shí)體關(guān)系抽取必讀的文章

• 【每周NLP論文推薦】 生成式聊天機(jī)器人論文介紹

• 【每周NLP論文推薦】 知識(shí)圖譜重要論文介紹

總結(jié)

以上是生活随笔為你收集整理的【NLP实战】基于ALBERT的文本相似度计算的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。