ELMo词向量用于中文

    <p>10.10更新：ELMo已经由哈工大组用PyTorch重写了，并且提供了中文的预训练好的language model，可以直接使用。</p>

---

ELMo于今年二月由AllenNLP提出，与word2vec或GloVe不同的是其动态词向量的思想，其本质即通过训练language model，对于一句话进入到language model获得不同的词向量。根据实验可得，使用了Elmo词向量之后，许多NLP任务都有了大幅的提高。

论文:Deep contextualized word representations

AllenNLP一共release了两份ELMo的代码，一份是Pytorch版本的，另一份是Tensorflow版本的。Pytorch版本的只开放了使用预训练好的词向量的接口，但没有给出自己训练的接口，因此无法使用到中文语料中。Tensorflow版本有提供训练的代码，因此本文记录如何将ELMo用于中文语料中，但本文只记录使用到的部分，而不会分析全部的代码。

需求:
使用预训练好的词向量作为句子表示直接传入到RNN中(也就是不使用代码中默认的先过CNN)，在训练完后，将模型保存，在需要用的时候load进来，对于一个特定的句子，首先将其转换成预训练的词向量，传入language model之后最终得到ELMo词向量。

准备工作:

1. 将中文语料分词
2. 训练好GloVe词向量或者word2vec
3. 下载bilm-tf代码
4. 生成词表 vocab_file （训练的时候要用到）
5. optional:阅读Readme
6. optional:通读bilm-tf的代码，对代码结构有一定的认识

思路:

1. 将预训练的词向量读入
2. 修改bilm-tf代码
   1. option部分
   2. 添加给embedding weight赋初值
   3. 添加保存embedding weight的代码
3. 开始训练，获得checkpoint和option文件
4. 运行脚本，获得language model的weight文件
5. 将embedding weight保存为hdf5文件形式
6. 运行脚本，将语料转化成ELMo embedding。

训练GloVe或word2vec

可参见我以前的博客或者网上的教程。
注意到，如果要用gensim导入GloVe训好的词向量，需要在开头添加num_word embedding_dim。 如：

获得vocab词表文件

注意到，词表文件的开头必须要有<S> </S> <UNK>，且大小写敏感。并且应当按照单词的词频降序排列。可以通过手动添加这三个特殊符号。
如：

代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

model=gensim.models.KeyedVectors.load_word2vec_format( fname='/home/zhlin/GloVe/vectors.txt',binary=False ) words=model.vocab with open('vocab.txt','w') as f: f.write('<S>') f.write('\n'） f.write('</S>') f.write('\n') f.write('<UNK>') f.write('\n') # bilm-tf 要求vocab有这三个符号，并且在最前面 for word in words: f.write(word) f.write('\n')

修改bilm-tf代码

注意到，在使用该代码之前，需要安装好相应的环境。

如果使用的是conda作为默认的Python解释器，强烈建议使用conda安装，否则可能会出现一些莫名的错误。

1 2 3

conda install tensorflow-gpu=1.4 conda install h5py python setup.py install #应在bilm-tf的文件夹下执行该指令

然后再运行测试代码，通过说明安装成功。

修改train_elmo.py

bin文件夹下的train_elmo.py是程序的入口。
主要修改的地方：

1. load_vocab的第二个参数应该改为None
2. n_gpus CUDA_VISIBLE_DEVICES 根据自己需求改
3. n_train_tokens 可改可不改，影响的是输出信息。要查看自己语料的行数，可以通过wc -l corpus.txt 查看。
4. option的修改，将char_cnn部分都注释掉，其他根据自己需求修改

如：

修改LanguageModel类

由于我需要传入预训练好的GloVe embedding，那么还需要修改embedding部分，这部分在bilm文件夹下的training.py，进入到LanguageModel类中_build_word_embeddings函数中。注意到，由于前三个是<S> </S> <UNK>，而这三个字符在GloVe里面是没有的，因此这三个字符的embedding应当在训练的时候逐渐学习到，而正因此 embedding_weights的trainable应当设为True

如:

修改train函数

添加代码，使得在train函数的最后保存embedding文件。

训练并获得weights文件

训练需要语料文件corpus.txt，词表文件vocab.txt。

训练

cd到bilm-tf文件夹下，运行

1 2 3 4 5

export CUDA_VISIBLE_DEVICES=4 nohup python -u bin/train_elmo.py \ --train_prefix='/home/zhlin/bilm-tf/corpus.txt' \ --vocab_file /home/zhlin/bilm-tf/glove_embedding_vocab8.10/vocab.txt \ --save_dir /home/zhlin/bilm-tf/try >bilm_out.txt 2>&1 &

根据实际情况设定不同的值和路径。

运行情况：

PS:运行过程中可能会有warning:

‘list’ object has no attribute ‘name’
WARNING:tensorflow:Error encountered when serializing lstm_output_embeddings.
Type is unsupported, or the types of the items don’t match field type in CollectionDef.

应该不用担心，还是能够继续运行的，后面也不受影响。

在等待了相当长的时间后，在save_dir文件夹内生成了几个文件，其中checkpoint和options是关键，checkpoint能够进一步生成language model的weights文件，而options记录language model的参数。

获得language model的weights

接下来运行bin/dump_weights.py将checkpoint转换成hdf5文件。

1 2 3

nohup python -u /home/zhlin/bilm-tf/bin/dump_weights.py \ --save_dir /home/zhlin/bilm-tf/try \ --outfile /home/zhlin/bilm-tf/try/weights.hdf5 >outfile.txt 2>&1 &

其中save_dir是checkpoint和option文件保存的地址。

接下来等待程序运行：

最终获得了想要的weights和option：

将语料转化成ELMo embedding

由于我们有了vocab_file、与vocab_file一一对应的embedding h5py文件、以及language model的weights.hdf5和options.json。
接下来参考usage_token.py将一句话转化成ELMo embedding。

参考代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73

import tensorflow as tf import os from bilm import TokenBatcher, BidirectionalLanguageModel, weight_layers, \ dump_token_embeddings # Our small dataset. raw_context = [ '这 是 测试 .', '好的 .' ] tokenized_context = [sentence.split() for sentence in raw_context] tokenized_question = [ ['这', '是', '什么'], ] vocab_file='/home/zhlin/bilm-tf/glove_embedding_vocab8.10/vocab.txt' options_file='/home/zhlin/bilm-tf/try/options.json' weight_file='/home/zhlin/bilm-tf/try/weights.hdf5' token_embedding_file='/home/zhlin/bilm-tf/glove_embedding_vocab8.10/vocab_embedding.hdf5' ## Now we can do inference. # Create a TokenBatcher to map text to token ids. batcher = TokenBatcher(vocab_file) # Input placeholders to the biLM. context_token_ids = tf.placeholder('int32', shape=(None, None)) question_token_ids = tf.placeholder('int32', shape=(None, None)) # Build the biLM graph. bilm = BidirectionalLanguageModel( options_file, weight_file, use_character_inputs=False, embedding_weight_file=token_embedding_file ) # Get ops to compute the LM embeddings. context_embeddings_op = bilm(context_token_ids) question_embeddings_op = bilm(question_token_ids) elmo_context_input = weight_layers('input', context_embeddings_op, l2_coef=0.0) with tf.variable_scope('', reuse=True): # the reuse=True scope reuses weights from the context for the question elmo_question_input = weight_layers( 'input', question_embeddings_op, l2_coef=0.0 ) elmo_context_output = weight_layers( 'output', context_embeddings_op, l2_coef=0.0 ) with tf.variable_scope('', reuse=True): # the reuse=True scope reuses weights from the context for the question elmo_question_output = weight_layers( 'output', question_embeddings_op, l2_coef=0.0 ) with tf.Session() as sess: # It is necessary to initialize variables once before running inference. sess.run(tf.global_variables_initializer()) # Create batches of data. context_ids = batcher.batch_sentences(tokenized_context) question_ids = batcher.batch_sentences(tokenized_question) # Compute ELMo representations (here for the input only, for simplicity). elmo_context_input_, elmo_question_input_ = sess.run( [elmo_context_input['weighted_op'], elmo_question_input['weighted_op']], feed_dict={context_token_ids: context_ids, question_token_ids: question_ids} ) print(elmo_context_input_,elmo_context_input_)

可以修改代码以适应自己的需求。

Reference

https://github.com/allenai/bilm-tf

</div>