适用于TTS语音处理项目的召回模型:词袋模型究竟是个啥?和语义召回相比有什么优劣? 原创
在人工智能的众多应用中,对于文档的准确召回是一个广泛使用的需求。例如,在基于阅读理解的问答系统(RAG)中,我们常常通过嵌入模型生成向量来进行语义方面的召回,这种方法已经证明了其效果良好。然而,这并不意味着该方法适用于所有场景。
让我们考虑一个涉及语音处理的项目,用户可能会说出需要查询的内容,系统需要迅速召回与用户语音输入相关的文档。在这种情况下,系统的响应时间变得至关重要,任何延迟都可能影响用户体验。对于这类需求,词袋模型可能成为一种更有利的选择,因为它无需处理复杂的语义关系,从而可以提供更快速的响应。所以,选择何种模型取决于具体的应用情景和性能要求。
什么是词袋模型
词袋模型是一种文本处理方法,先通过构建一个有序词表(字典),包含训练样本中所有的不重复词汇。然后,根据此词表遍历每个样本,如果某词在样本中出现则出现次数加1,否则次数设置为0。这样,每个样本都可以向量化成一个长度等于词表长度的向量。这么说可能有一点抽象,让我们来看一个例子,比如有两个文本:
- s1:"John likes to watch movies, Mary likes movies too"
- s2:"John also likes to watch football games"
首先,构建词汇表 ,这两个句子形成的词表(不去停用词)为:
[‘also’, ‘football’, ‘games’, ‘john’, ‘likes’, ‘mary’, ‘movies’, ‘to’, ‘too’, ‘watch’]
然后,对于每个文本,统计词汇表中每个单词的出现次数或者频率:
BOW词向量
词袋模型处理流程
词袋模型的处理流程可以总结为以下3步:
- 首先进行文本分词
- 然后创建一个包含所有独特词汇的词表,保证每个词语仅出现一次,并固定其位置
- 最后,将每个样本向量化,即遍历每个样本,统计词汇表中每个单词的出现次数
可以看出在经过向量化后,每个样本的特征维度长度等于词表长度。这种方法能覆盖所有样本中的词汇,但可能导致维度灾难,因为一个通常大小的中文数据集可能包含数万个词汇,意味着向量的维度也相应大。因此,在分词后,我们通常统计每个词在数据集中的出现次数,并仅选择出现频率最高的前K个词作为最终词表。最后,会移除无意义的停用词,如“的”,“啊”,“了”等。
代码实现
手动撸代码
文本分词
向量化的第一步是分词。我们将介绍一个常用的开源分词工具,jieba。在使用jieba之前,需要先进行安装,可以进入相应的虚拟环境并使用命令pip install jieba
完成安装。
import jieba, re
cut_all = False
def cutWords(s, cut_all=False):
cut_words = []
# 将所有字母、数字、冒号、逗号、句号等过滤掉
s = re.sub("[A-Za-z0-9\:\·\—\,\。\“ \”]", "", s)
seg_list = jieba.cut(s, cut_all=cut_all)
cut_words.append("/".join(seg_list))
cut_all 参数可以指定分词模式,当cut_all = False
时,表示普通分词模式,设置为True
后,便可以开启全分词模式。
构建词表
分词后通常还会进行词频统计,以便选取出现频率最高的前K个词来构造词表。对词频进行统计需要使用另外一个包collection中的Counter
计数器。
import re
from collections import Counter
import jieba
def wordsCount(s):
# 初始化空字符串用于存储分词结果
cut_words = ""
# 使用正则表达式移除非中文字符
s = re.sub("[A-Za-z0-9\:\·\—\,\。\“ \”]", "", s)
# 使用jieba进行分词,并连接结果
seg_list = jieba.cut(s, cut_all=False)
cut_words += (" ".join(seg_list))
# 将分词结果分割成列表
all_words = cut_words.split()
# 初始化计数器
c = Counter()
# 遍历所有单词,长度大于1且不是换行符则进行计数
for x in all_words:
if len(x) > 1 and x != '\r\n':
c[x] += 1
# 创建一个词汇列表
vocab = []
print('\n词频统计结果:')
# 打印并收集出现频率最高的前5个词
for (k, v) in c.most_common(5):
print("%s:%d" % (k, v))
vocab.append(k)
# 打印词汇列表
print("词表:", vocab)
词频统计
def vectorization_with_freq(s):
# 此处接文本分词和词频统计代码,需要生成词表vocab和文本x_text
# 初始化空列表用于存储向量化结果
x_vec = []
# 遍历文本中的每项
for item in x_text:
# 对词表中的每个词创建一个字典,初始化频率为0
tmp = dict(zip(vocab, [0] * len(vocab)))
# 遍历此项中的每个词
for w in item:
# 如果词在词表中,则频率加1
if w in vocab:
tmp[w] += 1
# 将该项的向量添加到向量化结果列表
x_vec.append(list(tmp.values()))
# 打印词表、文本和向量化结果
print("词表:", vocab)
print("文本:", x_text)
print(x_vec)
这段Python代码定义了一个函数vectorization_with_freq(s)
,它接受一个字符串s
作为输入,然后使用词频方法对其进行向量化处理。
sklearn实现
在实践中,我们可以直接使用sklearn库,它已经实现了上述功能,无需手动编写复杂的代码。
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
"John likes to watch movies, Mary likes movies too",
"John also likes to watch football games",
]
bag_of_words = CountVectorizer(
ngram_range=(1, 2), token_pattern="(?u)\\b\\w+\\b", binary=True
).fit(corpus)
vectors = bag_of_words.transform(corpus)
print(vectors)
"""
(0, 5) 1
(0, 7) 1
(0, 8) 1
(0, 9) 1
(0, 10) 1
(0, 11) 1
(0, 12) 1
(0, 13) 1
(0, 14) 1
(0, 15) 1
(0, 16) 1
(0, 17) 1
(0, 18) 1
(0, 19) 1
(0, 21) 1
(1, 0) 1
(1, 1) 1
(1, 2) 1
(1, 3) 1
(1, 4) 1
(1, 5) 1
(1, 6) 1
(1, 8) 1
(1, 10) 1
(1, 16) 1
(1, 17) 1
(1, 19) 1
(1, 20) 1
"""
CountVectorizer
是scikit-learn库中的一个类,用于将文本转换为词项频率向量。下面解释你提到的这些参数。
- ngram_range: 它定义了从文本中提取的 n-gram 的大小范围。N-gram 是 n 个连续的单词。例如,对于句子"我爱北京",当 ngram_range=(1,2),则会提取出 unigrams(单词)和 bigrams(两个连续的单词)。即,"我","爱","北京","我爱","爱北京"。
- token_pattern: 这是一个正则表达式,它定义了什么构成一个“单词”。"(?u)\b\w+\b"表示一个或多个unicode字符或数字并以边界分隔。例如,对于句子"I love Beijing",tokens 是["I", "love", "Beijing"]。
- binary: 如果设置为 True,所有非零计数都设为 1。这意味着输出的结果只表示单词是否在文档中出现(被设为1),而不是单词出现的次数。例如,对于句子"I love love Beijing",如果 binary=True,那么每个单词无论出现一次或多次,结果都记作出现过,"love": 1,而不是"love": 2。
fit
CountVectorizer.fit()
是scikit-learn库中的一个方法,用于学习输入文本集合(通常是一组文档)中所有单词的词汇表。这个过程也被称为“拟合”数据。
例如,如果我们有三个文档:["The sky is blue", "The sun is bright", "The sun in the sky is bright"],fit()
函数会生成一个词汇表,包含所有不重复的单词:['The', 'sky', 'is', 'blue', 'sun', 'bright', 'in']。
这个词汇表随后可以��于将新的(或相同的)文档转换成向量,其中每个元素表示相应单词在文档中出现的频次。这是通过transform()
函数实现的,也经常和fit()
方法一起使用,如fit_transform()
。
输出
CountVectorizer
的输出是一个稀疏矩阵,其中每一行表示corpus中的一个文档,每一列对应于CountVectorizer
拟合后得到的词汇表中的一个单词。在你的例子中,你有两个文档,所以你有两行。
每个元组 (i, j)
的值代表了词汇表中第 j
个单词在第 i
个文档中出现的频率。因为你设置 binary=True
, 所以这个频率只能是0或1,表示该单词在相应的文档中是否出现。
例如,在你给出的输出中,(0, 5) 1
表示词汇表中的第5个单词在第一个文档("John likes to watch movies, Mary likes movies too")中出现了(至少一次)。
类似地,(1, 0) 1
表示词汇表中的第0个单词在第二个文档("John also likes to watch football games")中出现了。
注意,此处的索引是从0开始的,而且可能看不到某些索引,这是因为对应的词在相应的文档中没有出现,频率为零,而这种信息在稀疏矩阵中通常会被省略,以节省存储空间。
应用
在基于回答生成的阅读理解系统(RAG)中,文档召回是核心的一步。这个过程主要依赖于检索和标定与用户查询相关性最高的文档。传统的RAG应用主要通过语义和关键字匹配来执行此操作,这通常需要使用embedding模型。具体来说,我们会将文本输入到模型中,得到每个文档或查询的嵌入向量表示,然后计算它们之间的相似度。
除了上述方法外,我们还可以使用基于词袋模型的召回策略。词袋模型将文档转换为一个向量,其中每个元素对应于特定单词或短语在文档中出现的频率。通过比较这些向量,我们可以确定文档之间的相似度。例如,我们可以通过计算余弦相似度来衡量两个向量的相似程度,这种方法允许我们找到与给定查询最相关的前K个文档。
import numpy as np
from nltk.stem import PorterStemmer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import check_pairwise_arrays, normalize, safe_sparse_dot
stemmer = PorterStemmer()
class Vectorizer:
@staticmethod
def stem(text):
# 词干化
words = text.split()
stemmed_words = [stemmer.stem(word) for word in words]
sentence = " ".join(stemmed_words)
sentence = sentence
return sentence
def __init__(self, corpus):
self.bag_of_words = CountVectorizer(
ngram_range=(1, 2), token_pattern="(?u)\\b\\w+\\b", binary=True
).fit(corpus)
self.vectors = self.bag_of_words.transform(corpus)
self.corpus = corpus
@staticmethod
def cosine_similarity(X, Y=None, dense_output=True):
X, Y = check_pairwise_arrays(X, Y)
X_normalized = normalize(X, copy=True)
if X is Y:
Y_normalized = X_normalized
else:
Y_normalized = normalize(Y, copy=True)
return safe_sparse_dot(
X_normalized,
Y_normalized.T,
dense_output=dense_output)
def get_relevent_docs(self, query, top_k=3, theshold=0):
stem_query = self.stem(query)
query_vectors = self.bag_of_words.transform([stem_query])
cos_sim = self.cosine_similarity(self.vectors, query_vectors)
indices = np.argpartition(cos_sim[:, 0], -top_k)[-top_k:]
result = []
for i in range(len(indices) - 1, -1, -1):
idx = indices[i]
score = cos_sim[idx, 0]
if score > theshold:
result.append([score, idx])
result.sort(key=lambda x: x[0], reverse=True) # 相似度降序排序后返回
return result
两种召回方案对比
基于语义+关键字模型的召回
此模型结合了关键字搜索和语义搜索。通常,该模型使用词嵌入(如Word2Vec,GloVe,BERT等)来表示文档和查询。
- 优点
- 深度语义理解:例如,如果你正在搜索“苹果新产品发布”,这种模型可以识别出包含“iPhone最新版本上市”这样非直接关键词,但在语义上相关的文档,因为"苹果新产品发布"和"iPhone最新版本上市"具有相似的语义。
- 处理同义词和多义词:例如,“智能手机”、“移动电话”和“手提电话”可能在不同的文档中表示同一概念。同样,单词“苹果”可以是一种水果或是科技公司名。基于语义+关键字模型能够理解这些差异。
- 缺点
- 训练资源需求大:需要大量数据,并且计算成本高昂,特别是对于深度学习模型,如BERT或GPT。
- 计算复杂性高:语义搜索需要计算与每个可用文档的相似性,这可能在大型数据库中导致延时。
基于词袋模型的召回
基于词袋模型的搜索是一种常见的关键字搜索方法,其中文档和查询被表示为单词的集合或多集,忽略了任何语义和语法结构。
- 优点
- 实现简单:例如,如果你在搜索“苹果新产品发布”,基于词袋模型的搜索引擎将很容易找到包含这些确切短语的文档。
- 计算效率高:只需检查每个文档是否包含查询中的单词,对于大规模数据也能妥善处理。
- 缺点
- 不能理解语义:例如,“苹果新产品发布”和“iPhone最新版本上市”在词袋模型下可能被认为是不相关的,因为他们没有公共的单词,尽管他们在语义上密切相关。
- 无法处理同义词和多义词:比如“智能手机”和“移动电话”在词袋模型看来是两个完全不同的概念。同时"苹果"这个词的多重含义也无法区分。
选择哪种模型取决于具体情况。如果查询主要基于精确的关键字匹配,词袋模型可能更适合;而如果语义理解更重要,则应该考虑使用基于语义+关键字的模型。在实践中,这两种方法往往结合在一起使用,例如,先使用词袋模型进行粗略搜索,然后使用基于语义+关键字模型进行精确搜索。
本文转载自公众号AI 博物院 作者:longyunfeigu
原文链接:https://mp.weixin.qq.com/s/kiZ9pcJ7xac4sesoJkiSYA