【原】【NLP实战】基于ALBERT的文本相似度计算

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏推出了实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。

ALBERT是一个比BERT要轻量，效果更好的模型，本篇实践介绍如何用ALBERT计算两个文本的相似度。

作者&编辑 | 小Dream哥

1 ALBERT介绍 

ALBERT利用词嵌入参数因式分解和隐藏层间参数共享两种手段，显著减少了模型的参数量的同时，基本没有损失模型的性能。笔者在下面的文章中详细介绍了ALBERT的理论，感兴趣的同学可以戳进去了解：

【NLP】ALBERT：更轻更快的的预训练

albert_tiny模型，能够显著提高模型的推理速度，但是效果依然很棒，这里介绍如何基于albert_tiny模型进行文本相似度计算。

2  BERT4KERAS

本来自己写了个基于tensorflow的ALBERT模型，后来看到苏剑林老师的bert4keras，觉得确实实现简洁，易懂。遂决定分享给大家。

感兴趣的同学可以看看苏剑林老师的网站：

https:///archives/6915

BERT4KERAS是苏老师基于kears实现的几个BERT模型，包括BERT，ALBERT和ROBERTA，基于BERT4KERAS可以快速的使用这些模型，也能够快速的实现对BERT改进的想法。

快速安装：

pip install git+https://www.github.com/bojone/bert4keras.git

3 如何获取ALBERT-zh  

从如下的github中能够获取训练好的ALBERT-zh 模型：

https://github.com/brightmart/albert_zh

4  开始实战

ALBERT输出的第一个向量，可以用来表征整体的输入文本，在本篇实战中，利用这个向量来计算文本之间的相似度。

相似度的计算大致可以分为这么几个步骤：

1. 构建模型，加载ALBERT预训练模型。

2. 构建分词器，处理输入。

3. 利用模型，计算输入文本的向量表征。

4. 利用文本向量，计算两个文本之间距离或者相似度。

1）构建模型，加载ALBERT预训练模型

# 加载预训练模型
bert = build_bert_model(
config_path=config_path,
checkpoint_path=checkpoint_path,
   with_pool=True,
albert=True,
   return_keras_model=False,
)

这里直接调用bert4keras的build_bert_model接口，构建albert模型，并直接加载albert的中文模型的权重。

config_path用来指定模型的配置文件路径；

checkpoint_path用来指定模型权重文件的路径；

albert表示指定用albert模型；

2) 构建分词器，处理输入

#构建分词器

tokenizer = Tokenizer(dict_path)

#格式化输入

token_ids1, segment_ids1 = tokenizer.encode(u'我想去北京')
token_ids2, segment_ids2 = tokenizer.encode(u'我想去香港')
token_ids3, segment_ids3 = tokenizer.encode(u'目前的局势，止暴制乱，刻不容缓')

首先构建分词器这里直接用了bert4keras定义的分词器Tokenizer。

然后用分词器处理输入，获得输入文本在词典中的序号表示及分段信息表示。这里解释下为什么要将输入文本转化成这两个表示：

1.albert模型的输入与bert类似，需要接受词、分段以及位置三个输入，位置信息由模型内的代码处理；

2.将词转化为词在词典中的序号便于后续的词嵌入操作。

3) 利用模型，计算输入文本的向量表征

#计算文本的向量表征，获取albert的第一个位置的输出

sentence_vec1 = model.predict([np.array([token_ids1]), np.array([segment_ids1])])[0]
sentence_vec2 = model.predict([np.array([token_ids2]), np.array([segment_ids2])])[0]
sentence_vec3 = model.predict([np.array([token_ids3]), np.array([segment_ids3])])[0]

因为我们本次是直接利用预训练模型的知识，直接计算文本的向量表征，因此没有训练过程，直接predict即可获得文本的向量表征。这里，获取albert的第一个位置的输出作为输入文本的向量表征。

4) 计算文本相似度

# 引入两个相似度计算包，欧氏距离和余弦距离

from sklearn.metrics.pairwise import euclidean_distances
from sklearn.metrics.pairwise import cosine_similarity

#定义相似度计算函数
def similarity_count(vec1, vec2, mode='cos'):
   if mode == 'eu':
       return euclidean_distances([vec1,vec2])[0][1]
   if mode == 'cos':
       return cosine_similarity([vec1, vec2])[0][1]

#相似度计算

#余弦距离

similarity_count(sentence_vec1, sentence_vec2)

#欧式距离
similarity_count(sentence_vec1, sentence_vec2, mode='eu')

这里引入sklearn中的两个计算欧氏距离和余弦距离的包来计算文本之间的距离。具体过程相对简单，直接看上面的代码吧。

5 结果展示

如上图所示，计算了“我想去北京”和“我想去香港”两句话的余弦距离和欧式距离；计算了“我想去北京”和“目前的局势，止暴制乱，刻不容缓”两句话的余弦距离和欧式距离。两句表达意思相近的话，相似度较高，距离较短。但是区隔度不是特别大，所以，在生产中，在一些特别的领域，需要用特别的语料，进行fintune，会有更好的效果。

至此，介绍了如何利用bert4keras搭建albert模型进行文本相似度计算，代码在我们有三AI的github可以下载：https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到albert文件夹，执行python3 similarity.py就可以运行了。

总结

ALBERT利用词嵌入参数因式分解和隐藏层间参数共享两种手段，显著减少了模型的参数量的同时，基本没有损失模型的性能，是一个不错的工作。

除了使用它，更关键的是albert模型的实现和理论。我们会在知识星球讨论相关的内容，感兴趣的话可以扫描下面的二维码了解。