内容简介:对话系统里,首先要对用户的输入进行领域、意图识别和槽抽取。深度学习发展以后,意图识别的方法多使用深度学习的算法,使用CNN对意图进行多分类,领域分类和意图分类较为类似。而槽的预测可以看成是标签序列预测问题。例如句子“我想听周杰伦的菊花台”,标签可以定义为“O O O B-singer M-singer E-singer O B-song M-song E-song”。标签序列预测多使用CRF,RNN,LSTM,LSTM+crf的模型。 链接:槽位填充可以理解为一个序列标注的问题,我们训练范例{(x^((n
对话系统里,首先要对用户的输入进行领域、意图识别和槽抽取。深度学习发展以后,意图识别的方法多使用深度学习的算法,使用CNN对意图进行多分类,领域分类和意图分类较为类似。而槽的预测可以看成是标签序列预测问题。例如句子“我想听周杰伦的菊花台”,标签可以定义为“O O O B-singer M-singer E-singer O B-song M-song E-song”。标签序列预测多使用CRF,RNN,LSTM,LSTM+crf的模型。 链接: www.zhihu.com/question/22…
2 槽位填充
槽位填充可以理解为一个序列标注的问题,我们训练范例{(x^((n)),y^((n)) ):n=1,……,N},然后我们想要识别学到一个函数f∶x→y,这个函数能够匹配输入序列x和相应的标签序列y。在槽位填充中,输入序列和标签序列长度相同,因此排列是准确的。
3 数据集ATIS
ATIS数据集包含4978训练数据和893个测试数据,文本内容为客服对话,意图一共有26类。查询话语中的每个标记与填充IOB标签的插槽对齐,也就是上面图片中Sentence和Slots都是一一对齐的。
4 Pytext实战
本部分内容主要参考官方的文档 Train Intent-Slot model on ATIS Dataset ,有些地方稍微出入。
4.1 安装
目前Pytext只支持 Linux 和Mac系统,在命令行输入下面语句安装:
pip install pytext-nlp 复制代码
4.2 文件准备
pytext github.com/facebookres… 数据集 www.kaggle.com/siddhadev/a…4.3 数据预处理
python3 demo/atis_joint_model/data_processor.py --download-folder atis/ --output-directory demo/atis_joint_model/ 复制代码
4.4 模型训练
pytext train < demo/atis_joint_model/atis_joint_config.json 复制代码
在没有使用GPU的情况下,训练需要30分钟左右
模型训练完毕时,我们通过 atis_joint_config.json
看到,结果文件和模型保存到 tmp目录下
4.6 模型导出
保存PyTorch模型时,简单的使用pickle进行序列化。这意味着简单的代码更改(例如,单词嵌入更新)可能导致与已部署模型的向后不兼容。为了解决此问题,可以使用内置的ONNX集成将模型导出为Caffe2格式。无论PyText或开发代码中的更改如何,导出的Caffe2模型都具有相同的行为。
在命令行中分别输入下面两行语句
CONFIG=demo/atis_joint_model/atis_joint_config.json 复制代码
pytext export --output-path exported_model.c2 < "$CONFIG" 复制代码
4.5 模型评估
我们可以使用 pytext test
来测试模型在测试集上的表现
pytext test < "$CONFIG" 复制代码
4.6 模型应用
我们可以将训练的模型部署成一个web应用,新建文件 flask_app.py
import sys import flask import pytext config_file = sys.argv[1] model_file = sys.argv[2] config = pytext.load_config(config_file) predictor = pytext.create_predictor(config, model_file) app = flask.Flask(__name__) @app.route('/get_flight_info', methods=['GET', 'POST']) def get_flight_info(): text = flask.request.data.decode() # Pass the inputs to PyText's prediction API result = predictor({"raw_text": text}) # Results is a list of output blob names and their scores. # The blob names are different for joint models vs doc models # Since this tutorial is for both, let's check which one we should look at. doc_label_scores_prefix = ( 'scores:' if any(r.startswith('scores:') for r in result) else 'doc_scores:' ) # For now let's just output the top document label! best_doc_label = max( (label for label in result if label.startswith(doc_label_scores_prefix)), key=lambda label: result[label][0], # Strip the doc label prefix here )[len(doc_label_scores_prefix):] return flask.jsonify({"question": f"Are you asking about {best_doc_label}?"}) app.run(host='0.0.0.0', port='8080', debug=True) 复制代码
执行
python flask_app.py "$CONFIG" exported_model.c2 复制代码
然后打开另一个Terminal,我们测试下服务: 测试1
curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d "I am looking for flights from San Francisco to Minneapolis" { "question": "Are you asking about flight?" } 复制代码
测试2
curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d "How much does a trip to NY cost?" { "question": "Are you asking about airfare?" } 复制代码
测试3
curl http://localhost:8080/get_flight_info -H "Content-Type: text/plain" -d "Which airport should I go to?" { "question": "Are you asking about airport?" } 复制代码
我们可以看到,模型将3次的意图都识别到了。
以上所述就是小编给大家介绍的《Pytext上手——Intent-Slot 模型实战》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- Docker从入门到上手实战
- 看完这篇,即刻上手进行联邦学习实战
- Spring Cloud 上手实战-架构解析及实作
- 都9102年了,还不会Docker?10分钟带你从入门操作到实战上手
- 快速上手virtualenv
- MongoDB 简单上手
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。