我正在处理一个需要同时执行词性 (POS) 标记和情绪分析的问题。我正在使用 Tensorflow，正在考虑使用 Keras。
我有大量的英语句子数据集，这些句子被标记了词性标签和情绪（消极、中性、积极）。
是否可以训练循环神经网络（普通 RNN、GRU 或 LSTM）来学习同时 POS标记和情感分类？当然，在测试期间，我想输入一个句子，让 RNN 生成词性标签和情绪的预测。
我正在考虑以下 RNN 架构。我不确定是否可以使用 Tensorflow（我一直在使用）或 Keras（我现在正在学习）。我之前实现的 RNN 只完成一项任务，而不是两项。
感谢您的帮助。
【问题讨论】：
标签： tensorflow machine-learning keras deep-learning recurrent-neural-network
一个可能适用于 POS 标记的非常简单的 Keras 模型可能如下所示：
from keras.layers import Dense, LSTM
from keras.models import Model, Sequential
model = Sequential()
model.add(
LSTM(
hidden_layer_size,
return_sequences=True,
input_shape=(seq_length, nb_words),
unroll=True
)
)
model.add(Dense(nb_pos_types, activation="softmax"))
model.compile(loss="categorical_crossentropy", optimizer="rmsprop")
我假设各种参数：
hidden_layer_size：内部循环层的任何维度。seq_length：输入序列长度。nb_words：词汇量大小，用于单热编码输入，详细说明哪个单词对应哪个序列位置。nb_pos_types：可能的不同 POS 标签的数量（用于 one-hot 编码标签）。目标是像这样修改一个简单的网络，以便它也可以对情绪进行预测（不清楚你的情绪是分数还是类别标签，但我会假设一个类别标签），因此损失函数包含对该情绪预测的惩罚项。
有很多方法可以做到这一点，但一种常见的方法是从某个早期层“分叉”模型的新辐条，并让该辐条产生额外的预测（通常称为“多任务”或“联合任务”学习）。
为此，我们将从Sequential 开始，但将其重命名为base_model，以明确它在为多个任务分支之前用作基础层集。然后我们将使用 Keras 的函数式语法对每个分支执行我们需要的操作，然后将它们组合在一起作为 final_model 的多个输出，其中我们可以表达每个输出的整体损失函数的一部分。
我们可以通过以下方式修改上面的示例：
base_model = Sequential()
base_model.add(
LSTM(
hidden_layer_size,
return_sequences=True,
input_shape=(seq_length, nb_words),
unroll=True
)
)
# Get a handle to the output of the recurrent layer.
rec_output = base_model.outputs[0]
# Create a layer representing the POS prediction.
pos_spoke = Dense(nb_pos_types, activation="softmax",
name="pos")(rec_output)
# Create a layer representing the sentiment prediction.
# I assume `nb_sentiments` is the number of sentiment categories.
sentiment_spoke = Dense(nb_sentiments, activation="softmax",
name="sentiment")(rec_output)
# Reunify into a single model which takes the same inputs as
# determined for `base_model`, and provides a list of 2 outputs,
# one for each spoke (POS and sentiment).
final_model = Model(inputs=base_model.inputs,
outputs=[pos_spoke, sentiment_spoke])
# Finally, use a dictionary for the loss function to specify the
# loss for each output, and optionally separate weights for when
# the losses are added as a weighted sum for the total loss.
final_model.compile(
optimizer='rmsprop',
loss={'pos': 'categorical_crossentropy',
'sentiment': 'categorical_crossentropy'},
loss_weights={'pos': 1.0, 'sentiment': 1.0}
)
最后，当调用final_model.fit 时，您将提供一个标签列表，其中包含与每个输出相关联的两个张量或标签数组。
您可以阅读更多关于多输出损耗和架构的信息at the Keras docs on multi-input and multi-output models。
最后，请注意，这是一个非常简单的模型（并且可能表现不佳 - 它仅用于说明）。如果您有特定的 POS 特定或情绪特定的架构，您可以使用我们创建的辐条 pos_spoke 和 sentiment_spoke 来拥有具有更复杂网络拓扑的附加层。
与其直接将它们定义为 Dense，不如将它们定义为额外的循环层，甚至可能是卷积层等，然后是一些最终的 Dense 层，其变量名称和层名称将用于输出和损失。
还要注意此处使用return_sequences=True。这允许在序列中的每个步骤进行 POS和情绪预测，即使您可能只关心最后的情绪预测。一种可能的选择是修改 sentiment_spoke 以仅对来自 rec_output 的最终序列元素进行操作，或者另一种（不太可能）的选择是为输入序列中的每个单词重复句子的整体情感标签。
【讨论】：