会员服务 ·

玩转Keras之Seq2Seq自动生成标题 | 附开源代码

2018 年 9 月 4 日 PaperWeekly

作者丨苏剑林

单位丨广州火焰信息科技有限公司

研究方向丨NLP，神经网络

个人主页丨kexue.fm

话说自称搞了这么久的 NLP，我都还没有真正跑过 NLP 与深度学习结合的经典之作——Seq2Seq。这两天兴致来了，决定学习并实践一番 Seq2Seq，当然最后少不了 Keras 实现了。

Seq2Seq 可以做的事情非常多，我这挑选的是比较简单的根据文章内容生成标题（中文），也可以理解为自动摘要的一种。选择这个任务主要是因为“文章-标题”这样的语料对比较好找，能快速实验一下。

Seq2Seq简介

所谓 Seq2Seq，就是指一般的序列到序列的转换任务，比如机器翻译、自动文摘等等，这种任务的特点是输入序列和输出序列是不对齐的，如果对齐的话，那么我们称之为序列标注，这就比 Seq2Seq 简单很多了。所以尽管序列标注任务也可以理解为序列到序列的转换，但我们在谈到 Seq2Seq 时，一般不包含序列标注。

要自己实现 Seq2Seq，关键是搞懂 Seq2Seq 的原理和架构，一旦弄清楚了，其实不管哪个框架实现起来都不复杂。早期有一个第三方实现的 Keras 的 Seq2Seq 库 [1]，现在作者也已经放弃更新了，也许就是觉得这么简单的事情没必要再建一个库了吧。可以参考的资料还有去年 Keras 官方博客中写的 A ten-minute introduction to sequence-to-sequence learning in Keras [2]。

基本结构

假如原句子为 X=(a,b,c,d,e,f)，目标输出为 Y=(P,Q,R,S,T)，那么一个基本的 Seq2Seq 就如下图所示。

▲ 基本的Seq2Seq架构

尽管整个图的线条比较多，可能有点眼花，但其实结构很简单。左边是对输入的 encoder，它负责把输入（可能是变长的）编码为一个固定大小的向量，这个可选择的模型就很多了，用 GRU、LSTM 等 RNN 结构或者 CNN+Pooling、Google 的纯 Attention 等都可以，这个固定大小的向量，理论上就包含了输入句子的全部信息。

而 decoder 负责将刚才我们编码出来的向量解码为我们期望的输出。与 encoder 不同，我们在图上强调 decoder 是“单向递归”的，因为解码过程是递归进行的，具体流程为：

1. 所有输出端，都以一个通用的<start>标记开头，以<end>标记结尾，这两个标记也视为一个词/字；

2. 将<start>输入 decoder，然后得到隐藏层向量，将这个向量与 encoder 的输出混合，然后送入一个分类器，分类器的结果应当输出 P；

3. 将 P 输入 decoder，得到新的隐藏层向量，再次与 encoder 的输出混合，送入分类器，分类器应输出 Q；

4. 依此递归，直到分类器的结果输出<end>。

这就是一个基本的 Seq2Seq 模型的解码过程，在解码的过程中，将每步的解码结果送入到下一步中去，直到输出<end>位置。

训练过程

事实上，上图也表明了一般的 Seq2Seq 的训练过程。由于训练的时候我们有标注数据对，因此我们能提前预知 decoder 每一步的输入和输出，因此整个结果实际上是“输入 X 和 Y，预测 Y[1:]，即将目标 Y 错开一位来训练。

而 decoder 同样可以用 GRU、LSTM 或 CNN 等结构，但注意再次强调这种“预知未来”的特性仅仅在训练中才有可能，在预测阶段是不存在的，因此 decoder 在执行每一步时，不能提前使用后面步的输入。

所以，如果用 RNN 结构，一般都只使用单向 RNN；如果使用 CNN 或者纯 Attention，那么需要把后面的部分给 mask 掉（对于卷积来说，就是在卷积核上乘上一个 0/1 矩阵，使得卷积只能读取当前位置及其“左边”的输入，对于 Attention 来说也类似，不过是对 query 的序列进行 mask 处理）。

敏感的读者可能会察觉到，这种训练方案是“局部”的，事实上不够端到端。比如当我们预测 R 时是假设 Q 已知的，即 Q 在前一步被成功预测，但这是不能直接得到保证的。一般前面某一步的预测出错，那么可能导致连锁反应，后面各步的训练和预测都没有意义了。

有学者考虑过这个问题，比如文章 Sequence-to-Sequence Learning as Beam-Search Optimization [3] 把整个解码搜索过程也加入到训练过程，而且还是纯粹梯度下降的（不用强化学习），是非常值得借鉴的一种做法。不过局部训练的计算成本比较低，一般情况下我们都只是使用局部训练来训练 Seq2Seq。

Beam Search

前面已经多次提到了解码过程，但还不完整。事实上，对于 Seq2Seq 来说，我们是在建模：

显然在解码时，我们希望能找到最大概率的 Y，那要怎么做呢？

如果在第一步 p(Y1|X) 时，直接选择最大概率的那个（我们期望是目标 P），然后代入第二步 p(Y2|X,Y1)，再次选择最大概率的 Y2，依此类推，每一步都选择当前最大概率的输出，那么就称为贪心搜索，是一种最低成本的解码方案。但是要注意，这种方案得到的结果未必是最优的，假如第一步我们选择了概率不是最大的 Y1，代入第二步时也许会得到非常大的条件概率 p(Y2|X,Y1)，从而两者的乘积会超过逐位取最大的算法。

然而，如果真的要枚举所有路径取最优，那计算量是大到难以接受的（这不是一个马尔可夫过程，动态规划也用不了）。因此，Seq2Seq 使用了一种折中的方法：Beam Search。

这种算法类似动态规划，但即使在能用动态规划的问题下，它还比动态规划要简单，它的思想是：在每步计算时，只保留当前最优的 topk 个候选结果。比如取 topk=3，那么第一步时，我们只保留使得 p(Y1|X) 最大的前 3 个 Y1，然后分别代入 p(Y2|X,Y1)，然后各取前三个 Y2，这样一来我们就有个组合了，这时我们计算每一种组合的总概率，然后还是只保留前三个，依次递归，直到出现了第一个<end>。显然，它本质上还属于贪心搜索的范畴，只不过贪心的过程中保留了更多的可能性，普通的贪心搜索相当于 topk=1。

Seq2Seq提升

前面所示的 Seq2Seq 模型是标准的，但它把整个输入编码为一个固定大小的向量，然后用这个向量解码，这意味着这个向量理论上能包含原来输入的所有信息，会对 encoder 和 decoder 有更高的要求，尤其在机器翻译等信息不变的任务上。因为这种模型相当于让我们“看了一遍中文后就直接写出对应的英文翻译”那样，要求有强大的记忆能力和解码能力，事实上普通人完全不必这样，我们还会反复翻看对比原文，这就导致了下面的两个技巧。

Attention

Attention 目前基本上已经是 Seq2Seq 模型的“标配”模块了，它的思想就是：每一步解码时，不仅仅要结合 encoder 编码出来的固定大小的向量（通读全文），还要往回查阅原来的每一个字词（精读局部），两者配合来决定当前步的输出。

▲ 带Attention的Seq2Seq

至于 Attention 的具体做法，笔者之前已经撰文介绍过了，请参考一文读懂「Attention is All You Need」| 附代码实现。Attention 一般分为乘性和加性两种，笔者介绍的是 Google 系统介绍的乘性的 Attention，加性的 Attention 读者可以自行查阅，只要抓住 query、key、value 三个要素，Attention 就都不难理解了。

先验知识

回到用 Seq2Seq 生成文章标题这个任务上，模型可以做些简化，并且可以引入一些先验知识。比如，由于输入语言和输出语言都是中文，因此 encoder 和 decoder 的 Embedding 层可以共享参数（也就是用同一套词向量）。这使得模型的参数量大幅度减少了。

此外，还有一个很有用的先验知识：标题中的大部分字词都在文章中出现过（注：仅仅是出现过，并不一定是连续出现，更不能说标题包含在文章中，不然就成为一个普通的序列标注问题了）。这样一来，我们可以用文章中的词集作为一个先验分布，加到解码过程的分类模型中，使得模型在解码输出时更倾向选用文章中已有的字词。

具体来说，在每一步预测时，我们得到总向量 x（如前面所述，它应该是 decoder 当前的隐层向量、encoder 的编码向量、当前 decoder 与 encoder 的 Attention 编码三者的拼接），然后接入到全连接层，最终得到一个大小为 |V| 的向量 y=(y1,y2,…,y|V|)，其中 |V| 是词表的词数。y 经过 softmax 后，得到原本的概率：

这就是原始的分类方案。引入先验分布的方案是，对于每篇文章，我们得到一个大小为 |V| 的 0/1 向量 χ=(χ1,χ2,…,χ|V|)，其中 χi=1 意味着该词在文章中出现过，否则 χi=0。将这样的一个 0/1 向量经过一个缩放平移层得到：

其中 s,t 为训练参数，然后将这个向量与原来的 y 取平均后才做 softmax：

经实验，这个先验分布的引入，有助于加快收敛，生成更稳定的、质量更优的标题。

Keras参考

又到了快乐的开源时光～

基本实现

基于上面的描述，我收集了 80 多万篇新闻的语料，来试图训练一个自动标题的模型。简单起见，我选择了以字为基本单位，并且引入了 4 个额外标记，分别代表 mask、unk、start、end。而 encoder 我使用了双层双向 LSTM，decoder 使用了双层单向 LSTM。具体细节可以参考源码：

https://github.com/bojone/seq2seq/blob/master/seq2seq.py

我以 6.4 万文章为一个 epoch，训练了 50 个 epoch 之后，基本就生成了看上去还行的标题：

文章内容：8 月 28 日，网络爆料称，华住集团旗下连锁酒店用户数据疑似发生泄露。从卖家发布的内容看，数据包含华住旗下汉庭、禧玥、桔子、宜必思等 10 余个品牌酒店的住客信息。泄露的信息包括华住官网注册资料、酒店入住登记的身份信息及酒店开房记录，住客姓名、手机号、邮箱、身份证号、登录账号密码等。卖家对这个约 5 亿条数据打包出售。第三方安全平台威胁猎人对信息出售者提供的三万条数据进行验证，认为数据真实性非常高。当天下午，华住集团发声明称，已在内部迅速开展核查，并第一时间报警。当晚，上海警方消息称，接到华住集团报案，警方已经介入调查。

生成标题：《酒店用户数据疑似发生泄露》

文章内容：新浪体育讯北京时间 10 月 16 日，NBA 中国赛广州站如约开打,火箭再次胜出，以 95-85 击败篮网。姚明渐入佳境，打了 18 分 39 秒，8 投 5 中，拿下 10 分 5 个篮板，他还盖帽 1 次。火箭以两战皆胜的战绩圆满结束中国行。

生成标题：《直击：火箭两战皆胜火箭再胜广州站姚明10分5板》

当然这只是两个比较好的例子，还有很多不好的例子，直接用到工程上肯定是不够的，还需要很多“黑科技”优化才行。

mask

在 Seq2Seq 中，做好 mask 是非常重要的，所谓 mask，就是要遮掩掉不应该读取到的信息、或者是无用的信息，一般是用 0/1 向量来乘掉它。Keras 自带的 mask 机制十分不友好，有些层不支持 mask，而普通的 LSTM 开启了 mask 后速度几乎下降了一半。所以现在我都是直接以 0 作为 mask 的标记，然后自己写个 Lambda 层进行转化的，这样速度基本无损，而且支持嵌入到任意层，具体可以参考上面的代码。

要注意我们以往一般是不区分 mask 和 unk（未登录词）的，但如果采用我这种方案，还是把未登录词区分一下比较好，因为未登录词尽管我们不清楚具体含义，它还是一个真正的词，至少有占位作用，而 mask 是我们希望完全抹掉的信息。

解码端

代码中已经实现了 beam search 解码，读者可以自行测试不同的 topk 对解码结果的影响。

这里要说的是，参考代码中对解码的实现是比较偷懒的，会使得解码速度大降。理论上来说，我们每次得到当前时刻的输出后，我们只需要传入到 LSTM 的下一步迭代中去，就可以得到下一时刻的输出，但这需要重写解码端的 LSTM（也就是要区分训练阶段和测试阶段，两者共享权重），相对复杂，而且对初学者并不友好。所以我使用了一个非常粗暴的方案：每一步预测都重跑一次整个模型，这样一来代码量最少，但是越到后面越慢，原来是 𝒪(n) 的计算量变成了。