基于Python实现文本挖掘(大数据)【100012162】

# 大数据中的文本挖掘 ## Introduction 本次作业的任务是故事生成，即给定一个故事标题，要求输出 5 个句子的短故事。我们力图复现一下论文(Seq2Seq，静态两步式生成)，并尝试加了一些模块(Self-Attention)，以期在本任务上达到较好效果。 ## Related Work 本次作业本质上是文本生成的任务，序列到序列[1]模型是文本生成领域比较常用的一个算法，也是课程提供的参考文献[2]中使用的方法，采取了编码器-解码器的架构，用编码器编码输入，解码器则用来产生输出，两个模块之间采用注意力模块相连。 参考文献[2]中提出了两步式的故事生成方法，即先对给定的标题生成一个简短的 storyline，再通过 storyline 生成具体的故事。文中提出了两种故事生成的模型，即静态生成模型和动态生成模型。前者先使用序列到序列模型根据标题生成完整的 storyline，再用 storyline 生成故事；后者则是交替式地动态生成 storyline 和故事。在此基础上我们做了一些调研。 Ammanabrolu 等人采用了一个级联的模型来完成给定故事开头续写故事的任务[3]。他们使用了 Martin 等人提出的 event 抽象结构[4]来表示句子，并将其进一步扩展。他们将故事生成的任务分成了生成 event 和生成故事两个步骤，与文献[2]采用中间结构 storyline 的思路相似。Yang 等人提出了根据若干个主题生成文章的方法[5]。他们在 decode 生成文本的时候引入了外部知识，并且借用了 seqGAN 的训练方法增强模型表现。这些工作和本次作业一样，需要根据比较短的输入生成较长的文本。 本次作业采用的评测指标 bleu 值，全称 bilingual evaluation understudy，由 Papineni 等人于 2002 年提出[6]，是一种常用于机器翻译等领域的自动评价指标，现也多用于各种文本生成任务的评价。 对于测试集中的每组数据，模型对于输入序列产生一个输出序列，这个输入序列对应一个或多个标准输出（因为机器翻译的任务并不是一对一的，一个句子可以有多种翻译方式，所以可以有多个标准输出）。其基本原则是希望机器翻译得到的译文与人工译文重合度尽可能高。具体评测时，会比较机器译文和参考译文之间的 n-gram 的重合度，即机器翻译中的 n-gram 在参考译文中的最大命中次数。n 一般取 1、2、3、4。但是这样会倾向于给较短的序列更高的分数，因此引入了长度惩罚因数 BP。若机器译文长度小于参考译文，则令 BP<1，会导致最终 bleu 评分降低。其余情况 BP=1。最终计算公式可以表示为： $$ bleu = BP\dot{}exp(\sum_{n=1}^N{w_nlog(p_n)}) $$ 其中 w 表示各个 n-gram 的权重，一般都取为 1/N，p 表示各 n-gram 的命中率。N 一般取为 4，即 bleu 值最多只看机器译文和参考译文 4-gram 的重合程度。BP 可以用以下公式表示： $$ BP = \begin{cases} 1& {c > r}\\ e^{1-r/c}& {c \leq r} \end{cases} $$ 其中，c 表示机器译文的长度，r 表示匹配程度最高的参考译文的长度。 因为 n-gram 的命中率 p 可能为 0，导致对 0 取对数，因此在实际中会使用光滑函数[^7]进行特殊处理，保证对数中的自变量大于 0。 bleu 评分综合权衡了序列间的 n-gram 重合度和长度等因素，是一个被广泛使用的指标。但是它的一个比较明显的缺点是只会机械地比较模型输出和标准输出之间的 n-gram 重合度，无法正确比较两者在语义、情感等方面的相似性。不过这也是几乎所有自动评测指标共有的缺点。 ## Data Analysis 本次作业采用 ROCstories 数据，共有 98161 组数据，其中前 90000 组用于训练，后 8161 组数据用于测试。我们对训练集中数据进行了分析。 ### 2.1. Title Analysis 训练集中，标题组成的词表共有 19349 个不同的词，总共由 196614 个词语组成，标题的平均长度为 2.18。其中出现频率前 5 的单词如下表所示： | 单词 | the | a | new | to | day | | :------- | ----- | ----- | ----- | ----- | ----- | | 出现次数 | 16638 | 4214 | 2884 | 1711 | 1261 | | 出现频率 | 8.46% | 2.14% | 1.47% | 0.87% | 0.64% | 可见，出现次数前 5 的单词的总出现频率超过了 10%。另一方面，有 9087 个单词在训练集的标题中只出现了一次，有 13397 个单词在训练集的标题中出现次数不超过三次，占了词表的 69.24%。 统计了训练集中标题长度的分布，最短的标题长度为 1，最长的标题长度为 25。具体分布如下图所示：  可以看到，长度为 2 的标题数量最多，其次是长度为 1,3,4,5 的。长度小于等于 5 的标题占了所有标题的 99.23%。 ### 2.2. Story Analysis 故事组成的词表共有 65336 个不同的单词。总共由 3936562 个词语组成。在长度上，不同位置的句子的长度分布有比较明显的差别，各个位置句子的平均长度如下表所示： | 句子位置 | 1 | 2 | 3 | 4 | 5 | | -------- | ---- | ---- | ---- | ---- | ---- | | 平均长度 | 7.90 | 8.82 | 8.89 | 8.80 | 9.33 | 所有句子的平均长度是 8.75。可以看到，第一个句子的平均长度明显小于其他位置的。另一方面，各个位置句子组成的词典出现频率前 10 的词中有 6 个共有的，前 20 的词中有 13 个共有的，前 100 的词中有 51 个共有的。说明各个位置的句子在词表的分布上也有一定区别。 所有句子组成的词表中出现次数前 5 的单词如下表所示： | 单词 | the | to | a | was | he | | -------- | ------ | ------ | ------ | ------ | ------ | | 出现次数 | 196912 | 155817 | 127907 | 107254 | 103488 | | 出现频率 | 5.00% | 3.96% | 3.25% | 2.72% | 2.63% | 与标题的词表中一样，出现频率前 5 的单词占了总的词数中的相当一部分，超过了 15%。另一方面，故事的词表中有 24688 个词只出现了一次，出现次数不超过三次的词有 39042 个，占了词表的 59.76%。 训练集中句子的长度最短为 1，最长为 19，具体分布如下图所示：  句子长度的分布大致上比较接近正态分布，越靠近平均长度的数量越多。 ## Work of This Repo 本来是想在作者的源码上改一下，加点其他模块。但是看了一下作者的源码，发现作者的源码里有相当多的操作非常迷幻，比如加了很多论文中没有提到的 trick(如 Weight Drop)，似乎没有在 model 中用 Attention(但论文中明确提到有)等等。另一方面，从代码风格上来讲，作者的源码对我们而言确实不够平易近人，难以下手修改。总之，咱也看不懂，咱也不敢问，TAT 于是我们只能把 baseline 重写一遍。。。 ### Description 按照论文中的描述，所谓 Static 式生成其实就是两步走，先 Seq2Seq 生成 StoryLine，再 Seq2Seq 生成 Story。本 repo 也只实现了基本的 Seq2Seq(带 Attention 的)。 在实现过程中，参考了一些网上的风格较好的 tutorial，基于 pytorch 和 torchtext 等封装较好的库。 ### Usage - 准备数据(`data` 目录下) - 利用 RAKE 算法抽取关键词不在本 repo 范围内 - 原始数据文件名为 /train/valid/test_title_line_story.txt - 可运行 data_split.py 把数据集按照不同的域切分, 保存格式为 tsv 如在 title to story-line 过程中，只需使用 `title` 与 `story_line` 两个域，生成的样例可参见 `train_title_line.tsv` - 在 config.py 里设置参数