新闻标题生成模型-随便整理一下
来源:互联网 发布:牛顿环的实验数据 编辑:程序博客网 时间:2024/06/05 01:56
目前的思路很简单,就是一个Seq2Seq的模型,本质上是一个AutoEncoder。
模型的输入是一个字符序列(1维向量),是新闻的正文。
首先将序列中的词进行embedding(这里对中文处理,用的是字向量,没有做分词),变成2维的 (word_cnt, dim)。(dim是字向量的维度)
然后encoder是一层LSTM,取最后一步输出向量作为context vector(好像是这个名字?),是1维的 (dim)。之后decoder部分是一层LSTM,每一步输入都为context vector,取每一步输出,是2维的 (title_len, dim)。
最后加一层Dense层,把输出的“词向量”(dim维的向量,每个对应一个词)映射到vocab_size维,然后进行softmax,作为输出词的概率分布。这里的输出为 (title_len, vocab_size)。
Loss采用的是cross_entropy(negative log-likelihood),即对于真正标题中每个正确的词被取到的概率P,取-log,再平均,作为一个样本(一则新闻)的loss函数。
具体实现使用Keras,目前LSTM用的最简单的,没有双向,也没有attention(暂时不会搞)。Loss函数的实现稍微遇到一点麻烦,因为这里一个样本的输出是2维的(每个词的预测概率分布),因此没法用原生的cross_entropy,需要自定义。需要注意Keras里面自定义Loss函数,其参数y_true和y_pred必须是相同的维度(3维对3维,包括batch_size这一个维度)(暂不确定是否要求相同的shape)。因此需要对于数据中的标题部分做处理,不能直接用字的id作为标签,需要转化为one-hot编码,这样才能与模型的输出保持相同维度。Loss函数实现如下,其实看起来很简单……只是当时不知道需要相同维度,坑了很久。
目前模型能正确运行,但是输出还不能看,基本都是同一个字,大多数是“国”字重复10遍。对于日本新闻可能是“日”字重复10遍,中国的可能是“中”字重复10遍。最好的一个输出某个俄罗斯的新闻,结果是“俄” * 9 + “国”。但这个仍然是不能看。
下一步的话,可以先尝试简单的改进,多堆几层LSTM。还不行的话,尝试加入双向LSTM。之后再去尝试attention。
模型的输入是一个字符序列(1维向量),是新闻的正文。
首先将序列中的词进行embedding(这里对中文处理,用的是字向量,没有做分词),变成2维的 (word_cnt, dim)。(dim是字向量的维度)
然后encoder是一层LSTM,取最后一步输出向量作为context vector(好像是这个名字?),是1维的 (dim)。之后decoder部分是一层LSTM,每一步输入都为context vector,取每一步输出,是2维的 (title_len, dim)。
最后加一层Dense层,把输出的“词向量”(dim维的向量,每个对应一个词)映射到vocab_size维,然后进行softmax,作为输出词的概率分布。这里的输出为 (title_len, vocab_size)。
Loss采用的是cross_entropy(negative log-likelihood),即对于真正标题中每个正确的词被取到的概率P,取-log,再平均,作为一个样本(一则新闻)的loss函数。
目前简单起见,正文部分仅截取前30个字,标题仅截取前10个字,并且输出标题也限定为10个字。而且一个经验性的处理是把输入、输出都倒过来,也就是正文输入序列反序输入;最后输出的标题也会是反序的,因此再反序一次,变为正序。这样据说效果比较好,实验结果似乎也确实如此。
具体实现使用Keras,目前LSTM用的最简单的,没有双向,也没有attention(暂时不会搞)。Loss函数的实现稍微遇到一点麻烦,因为这里一个样本的输出是2维的(每个词的预测概率分布),因此没法用原生的cross_entropy,需要自定义。需要注意Keras里面自定义Loss函数,其参数y_true和y_pred必须是相同的维度(3维对3维,包括batch_size这一个维度)(暂不确定是否要求相同的shape)。因此需要对于数据中的标题部分做处理,不能直接用字的id作为标签,需要转化为one-hot编码,这样才能与模型的输出保持相同维度。Loss函数实现如下,其实看起来很简单……只是当时不知道需要相同维度,坑了很久。
def myLoss(y_true, y_pred): loss = K.mean(K.mean(K.batch_dot(y_true, -K.log(y_pred + 1e-6), axes=2))) return loss
目前模型能正确运行,但是输出还不能看,基本都是同一个字,大多数是“国”字重复10遍。对于日本新闻可能是“日”字重复10遍,中国的可能是“中”字重复10遍。最好的一个输出某个俄罗斯的新闻,结果是“俄” * 9 + “国”。但这个仍然是不能看。
下一步的话,可以先尝试简单的改进,多堆几层LSTM。还不行的话,尝试加入双向LSTM。之后再去尝试attention。
阅读全文
0 0
- 新闻标题生成模型-随便整理一下
- 随便整理
- 随便试一下
- 随便记录一下
- 随便记一下
- 随便写一下
- 随便写一下
- 随便记一下j
- 随便试一下
- 随便说说,测试一下
- 随便唠叨一下...
- 随便测试一下
- 随便理解一下JVM
- 几个事情随便说一下
- 整理一下!
- 整理一下
- 整理一下
- 我的2013--随便记录一下
- Ruby 中Debug工具
- Sublime Text 3 最新注册码大全
- 数据仓库中的缓慢变化维
- 面试题41—相关题目(和为s的所有连续正数序列)
- Git的使用五:版本回退及提交
- 新闻标题生成模型-随便整理一下
- [leetcode]410. Split Array Largest Sum
- AndroidSQLite之记一次有就更新,没就插入
- 关于安卓模拟器
- 面试题42—翻转单词顺序
- JZOJ 5167. 【NOIP2017模拟6.26】下蛋爷
- L1-030
- ssh框架报antlr.collections.AST.getLine()的错误解决方法
- 面试题42—相关题目(字符串的左旋转)