From 3364719f18236773656c0f1f5fb7bbd577ddaab7 Mon Sep 17 00:00:00 2001 From: Superjom Date: Wed, 12 Jul 2017 20:55:24 +0800 Subject: [PATCH] edit review --- dssm/README.md | 101 ++++++++++++++++++----------- dssm/data/classification/test.txt | 20 ------ dssm/data/classification/train.txt | 20 ------ dssm/data/rank/test.txt | 18 ----- dssm/data/rank/train.txt | 18 ----- dssm/reader.py | 2 - dssm/utils.py | 4 +- 7 files changed, 65 insertions(+), 118 deletions(-) diff --git a/dssm/README.md b/dssm/README.md index 2ecece52..9b1e17e1 100644 --- a/dssm/README.md +++ b/dssm/README.md @@ -4,7 +4,7 @@ DSSM使用DNN模型在一个连续的语义空间中学习文本低纬的表示 模型实现支持通用的数据格式，用户替换数据便可以在真实场景中使用该模型。 ## 背景介绍 -DSSM \[[1](##参考文档)\]是微软研究院13年提出来的经典的语义模型，用于学习两个文本之间的语义距离， +DSSM \[[1](##参考文献)\]是微软研究院13年提出来的经典的语义模型，用于学习两个文本之间的语义距离， 广义上模型也可以推广和适用如下场景： 1. CTR预估模型，衡量用户搜索词（Query）与候选网页集合（Documents）之间的相关联程度。 @@ -16,7 +16,7 @@ DSSM 已经发展成了一个框架，可以很自然地建模两个记录之间 而对于搜索引擎的结果排序，可以在DSSM上接上Rank损失训练处一个排序模型。 ## 模型简介 -在原论文\[[1](#参考文档)\]中，DSSM模型用来衡量用户搜索词 Query 和文档集合 Documents 之间隐含的语义关系，模型结构如下 +在原论文\[[1](#参考文献)\]中，DSSM模型用来衡量用户搜索词 Query 和文档集合 Documents 之间隐含的语义关系，模型结构如下

@@ -31,7 +31,7 @@ DSSM 已经发展成了一个框架，可以很自然地建模两个记录之间 一个Query会抽取正例 $D+$ 和4个负例 $D-$ 整体上算条件概率用对数似然函数作为损失， 这也就是图 1中类似 $P(D_1|Q)$ 的结构，具体细节请参考原论文。 -随着后续优化DSSM模型的结构得以简化\[[3](#参考文档)\]，演变为： +随着后续优化DSSM模型的结构得以简化\[[3](#参考文献)\]，演变为：



@@ -49,8 +49,8 @@ DSSM 已经发展成了一个框架，可以很自然地建模两个记录之间 本例将尝试面向应用提供一个比较通用的解决方案，在模型任务类型上支持 -- CLASSIFICATION -- [-1, 1] 值域内的 REGRESSION +- 分类 +- [-1, 1] 值域内的回归 - Pairwise-Rank 在生成低纬语义向量的模型结构上，本模型支持以下三种： @@ -66,11 +66,11 @@ DSSM模型可以拆成三小块实现，分别是左边和右边的DNN，以及 本例中为了简便和通用，将左右两个DNN的结构都设为相同的，因此只有三个选项FC,CNN,RNN等。 -在损失函数的设计方面，也支持三种，CLASSIFICATION, REGRESSION, RANK； -其中，在REGRESSION和RANK两种损失中，左右两边的匹配程度通过余弦相似度（cossim）来计算； -在CLASSIFICATION任务中，类别预测的分布通过softmax计算。 +在损失函数的设计方面，也支持三种，分类, 回归, 排序； +其中，在回归和排序两种损失中，左右两边的匹配程度通过余弦相似度（cossim）来计算； +在分类任务中，类别预测的分布通过softmax计算。 -在 [paddle/models](https://github.com/PaddlePaddle/models)之前的系列教程中，对上面提到的很多内容都有了详细的介绍，比如 +在其它教程中，对上述很多内容都有过详细的介绍，例如： - 如何CNN, FC 做文本信息提取可以参考 [text classification](https://github.com/PaddlePaddle/models/blob/develop/text_classification/README.md#模型详解) - RNN/GRU 的内容可以参考 [Machine Translation](https://github.com/PaddlePaddle/book/blob/develop/08.machine_translation/README.md#gated-recurrent-unit-gru) @@ -78,19 +78,19 @@ DSSM模型可以拆成三小块实现，分别是左边和右边的DNN，以及 相关原理在此不再赘述，本文接下来的篇幅主要集中介绍使用PaddlePaddle实现这些结构上。 -如图3，REGRESSION 和 CLASSIFICATION 模型的结构很相似 +如图3，回归和分类模型的结构很相似



图 3. DSSM for REGRESSION or CLASSIFICATION

-最重要的组成部分包括 word embedding，图中`(1)`,`(2)`两个低纬向量的学习器（可以用RNN/CNN/FC中的任意一种实现）， +最重要的组成部分包括词向量，图中`(1)`,`(2)`两个低纬向量的学习器（可以用RNN/CNN/FC中的任意一种实现）， 最上层对应的损失函数。 -而Pairwise Rank的结构会复杂一些，类似两个 图 4. 中的结构，增加了对应的 Hinge lost的损失函数： +而Pairwise Rank的结构会复杂一些，类似两个 图 4. 中的结构，增加了对应的损失函数： -- 模型总体思想是，用同一个source为左右两个target分别打分——`(a),(b)`，学习目标是(a),(b)间的大小关系 +- 模型总体思想是，用同一个source(源)为左右两个target(目标)分别打分——`(a),(b)`，学习目标是(a),(b)间的大小关系 - `(a)`和`(b)`类似图3中结构，用于给source和target的pair打分 - `(1)`和`(2)`的结构其实是共用的，都表示同一个source，图中为了表达效果展开成两个 @@ -116,7 +116,7 @@ def create_embedding(self, input, prefix=''): return emb ``` -由于输入给 `embedding` 的是一个句子对应的 `wordid list`，因此embedding 输出的是 word vector list. +由于输入给词向量表(embedding table)的是一个句子对应的词的ID的列表 ，因此词向量表输出的是词向量的序列。 ### CNN 结构实现 ```python @@ -151,13 +151,13 @@ def create_cnn(self, emb, prefix=''): return conv_3, conv_4 ``` -CNN 接受 embedding 输出的 list of word vevtors，通过卷积和池化操作捕捉到原始句子的关键信息， +CNN 接受 embedding table输出的词向量序列，通过卷积和池化操作捕捉到原始句子的关键信息， 最终输出一个语义向量（可以认为是句子向量）。 -这里实现中，分别使用了窗口长度为3和4的个CNN学到的句子向量按元素求和得到最终的句子向量。 +本例的实现中，分别使用了窗口长度为3和4的CNN学到的句子向量按元素求和得到最终的句子向量。 ### RNN 结构实现 -RNN很适合学习变长序列的信息，使用RNN来学习句子的信息也算是标配之一。 +RNN很适合学习变长序列的信息，使用RNN来学习句子的信息几乎是自然语言处理任务的标配。 ```python def create_rnn(self, emb, prefix=''): @@ -184,15 +184,16 @@ def create_fc(self, emb, prefix=''): fc = paddle.layer.fc(input=_input_layer, size=self.dnn_dims[1]) return fc ``` -在构建FC时，首先使用了 `paddle.layer.polling` 按元素取Max的操作将 embedding 出来的word vector list 的信息合并成一个等维度的semantic vector， -使用取Max的方法能够避免句子长度对semantic vector的影响。 + +在构建FC时需要首先使用`paddle.layer.pooling` 对词向量序列进行最大池化操作，将边长序列转化为一个固定维度向量， +作为整个句子的语义表达，使用最大池化能够降低句子长度对句向量表达的影响。 ### 多层DNN实现 -在 CNN/DNN/FC提取出 semantic vector后，在上层接着用多层FC实现一个DNN的结构 +在 CNN/DNN/FC提取出 semantic vector后，在上层可继续接多层FC来实现深层DNN结构。 ```python def create_dnn(self, sent_vec, prefix): - # if more than three layers, than a fc layer will be added. + # if more than three layers exists, a fc layer will be added. if len(self.dnn_dims) > 1: _input_layer = sent_vec for id, dim in enumerate(self.dnn_dims[1:]): @@ -200,18 +201,19 @@ def create_dnn(self, sent_vec, prefix): logger.info("create fc layer [%s] which dimention is %d" % (name, dim)) fc = paddle.layer.fc( - name=name, input=_input_layer, size=dim, act=paddle.activation.Tanh(), param_attr=ParamAttr(name='%s.w' % name), - bias_attr=ParamAttr(name='%s.b' % name)) + bias_attr=ParamAttr(name='%s.b' % name), + name=name, + ) _input_layer = fc return _input_layer ``` -### CLASSIFICATION或REGRESSION实现 -CLASSIFICATION和REGRESSION的结构比较相似，因此可以用一个函数创建出来 +### 分类或回归实现 +分类和回归的结构比较相似，因此可以用一个函数创建出来 ```python def _build_classification_or_regression_model(self, is_classification): @@ -266,7 +268,7 @@ def _build_classification_or_regression_model(self, is_classification): ``` ### Pairwise Rank实现 Pairwise Rank复用上面的DNN结构，同一个source对两个target求相似度打分，使用了hinge lost， -如果左边的target打分高，则预测为1，否则预测为 0。 +如果左边的target打分高，预测为1，否则预测为 0。 ```python def _build_rank_model(self): @@ -321,35 +323,58 @@ def _build_rank_model(self): ## 数据格式 在 `./data` 中有简单的示例数据 -### REGRESSION 的数据格式 +### 回归的数据格式 ``` # 3 fields each line: -# - source's wordids -# - target's wordids +# - source's word ids +# - target's word ids # - target \t \t ``` -### CLASSIFICATION的数据格式 + +比如： + +``` +3 6 10 \t 6 8 33 \t 0.7 +6 0 \t 6 9 330 \t 0.03 +``` +### 分类的数据格式 ``` # 3 fields each line: -# - source's wordids -# - target's wordids +# - source's word ids +# - target's word ids # - target \t \t