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://spaces.ac.cn/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。

读者们可以留言，或者加入我们的NLP群进行讨论。感兴趣的同学可以微信搜索jen104，备注"加入有三AI NLP群"。

下期预告：命名实体识别实践

知识星球推荐

扫描上面的二维码，就可以加入我们的星球，助你成长为一名合格的自然语言处理算法工程师。

知识星球主要有以下内容：

(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景，几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点，通过介绍聊天机器人的原理和实践，逐步系统的更新到大部分NLP的知识，会包括语义匹配，文本分类，意图识别，语义匹配命名实体识别、对话管理以及分词等。

(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性，就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施，目前各大公司都在着力打造知识图谱，作为一个NLP工程师，必须要熟悉和了解他。

(3) NLP预训练模型。基于海量数据，进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式，很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解？

转载文章请后台联系

侵权必究

往期精选

• 【完结】 12篇文章带你完全进入NLP领域，掌握核心技术

• 【NLP-词向量】词向量的由来及本质

• 【NLP-词向量】从模型结构到损失函数详解word2vec

• 【NLP-NER】什么是命名实体识别？

• 【NLP-NER】命名实体识别中最常用的两种深度学习模型

• 【NLP-NER】如何使用BERT来做命名实体识别

• 【NLP-ChatBot】我们熟悉的聊天机器人都有哪几类？

• 【NLP-ChatBot】搜索引擎的最终形态之问答系统（FAQ）详述

• 【NLP-ChatBot】能干活的聊天机器人-对话系统概述

• 【知识图谱】人工智能技术最重要基础设施之一，知识图谱你该学习的东西

• 【NLP实战】tensorflow词向量训练实战

• 【NLP实战系列】朴素贝叶斯文本分类实战

• 【NLP实战系列】Tensorflow命名实体识别实战

• 【NLP实战】如何基于Tensorflow搭建一个聊天机器人

• 【每周NLP论文推荐】从预训练模型掌握NLP的基本发展脉络

• 【每周NLP论文推荐】 NLP中命名实体识别从机器学习到深度学习的代表性研究

• 【每周NLP论文推荐】 介绍语义匹配中的经典文章

• 【每周NLP论文推荐】 对话管理中的标志性论文介绍

• 【每周NLP论文推荐】 开发聊天机器人必读的重要论文

• 【每周NLP论文推荐】 掌握实体关系抽取必读的文章

• 【每周NLP论文推荐】 生成式聊天机器人论文介绍

• 【每周NLP论文推荐】 知识图谱重要论文介绍