Question

我试图了解如何为ELMo向量化准备段落。

docs仅显示如何同时嵌入多个句子/单词。

例如

sentences = [["the", "cat", "is", "on", "the", "mat"],
         ["dogs", "are", "in", "the", "fog", ""]]
elmo(
     inputs={
          "tokens": sentences,
          "sequence_len": [6, 5]
            },
     signature="tokens",
     as_dict=True
    )["elmo"]

据我了解，这将返回2个向量，每个向量代表一个给定的句子。我将如何准备输入数据以矢量化包含多个句子的整个段落。请注意，我想使用自己的预处理程序。

可以这样做吗？

sentences = [["<s>" "the", "cat", "is", "on", "the", "mat", ".", "</s>", 
              "<s>", "dogs", "are", "in", "the", "fog", ".", "</s>"]]

或者也许是这样？

sentences = [["the", "cat", "is", "on", "the", "mat", ".", 
              "dogs", "are", "in", "the", "fog", "."]]

Answer 1

ELMo产生上下文词向量。因此，与单词相对应的单词向量是单词和上下文（例如句子）在其中出现的函数。

就像您在文档中的示例一样，您希望您的段落是句子列表，即标记列表。所以你的第二个例子。要获得这种格式，您可以使用spacy tokenizer

import spacy

# you need to install the language model first. See spacy docs.
nlp = spacy.load('en_core_web_sm')

text = "The cat is on the mat. Dogs are in the fog."
toks = nlp(text)
sentences = [[w.text for w in s] for s in toks.sents]

我认为您不需要在第二句话上加上""，因为sequence_len可以解决这个问题。

更新：

据我了解，这将返回2个向量，每个向量代表一个给定的句子

否，这将为每个句子中的每个单词返回一个向量。如果要将整个段落作为上下文（每个单词），只需将其更改为

sentences = [["the", "cat", "is", "on", "the", "mat", "dogs", "are", "in", "the", "fog"]]

和

...
"sequence_len": [11]

使用ELMo嵌入段落

1 个答案: