机器学习AI算法工程 公众号：datayx
一、【数据集构造】
诗词歌句属于自然语言一部分，对于计算机来说自然需要对数据进行数字化处理。其中步骤主要分成分词、编码、数据集输入输出构造。
1、分词方面
传统自然语言处理在分词方面使用“词”为划分粒度，以此来增加字间的关系，常见的编码包，比如jieba分词等。在数据集构造的时候，本文想到诗词与现代语言相比，更加凝练 ，一字可以有多义，比如“备”字，可以有“准备”、“具备”、”周全“这些意思，因此在诗词文本上采用了”字“为粒度的方式进行划分。而且这种方式，在代码上也好实现一些。
2、编码方面
分布式编码起源于Harris的分布假说，它认为某个单词的含义可以由上下文进行联合表示，认为相似的词会出现于相同语境（上下文）。本文出于诗词中存在一定的语义关系，前后联系的考虑，为了保留字间关联，本文使用了分布式编码的方式，使用Word2Vec的方式构建字向量，对汉字进行数字化。
3、数据输入输出安排
输入输出数据集分成四个部分，与后面模型结构相关：Encoder_inputs、Encoder_outputs、Decoder_inputs和Decoder_outputs，我们先来了解数据，后面模型部分会进行详细介绍划分原因。
第一、二部分Encoder部分
是为了训练一个上联生成模型Encoder，需要构造数据的输入encoder_inputs和encoder_outputs。为了增强句间的字的语序特征，本文提出使用”1：N”的方式，根据时序对诗句进行拆分，构造长度相同的数据集诗句。具体表现为下图1。
按照时序不同时刻输入的内容不同，字间相互错落一个时间间隔，一行将作为一个输入，对应下一个字为其输出，这样就仿真人们作诗的过程，一字一字生成诗句。使用“X”来表示空格，最后一个完整句对应输出为“END”表示结束。这样，一个N字诗句就将生成(n+1)*n的句子，大大增加了数据集大小，同时也强调了字在句子中的时序特征。比如输入为：“XXXX白”，输出对应“日”；下一个输入就是“XXX白日”，对应输出为“依”；如此构造出多个输入输出。
第三、四部分数据输出Decoder
是为了训练一个能根据上联encoder部分，而对应产生下联的模型。下联模型需要输入和上联模型思想不同，这时候我们输入是下联对应每一个字的前一个单字和上联的输出，将二者联合起来构建一个输入向量；而对应输出应该是真正对应位置的单字；所以输入部分也需要错落一个时间间隔。这样说比较抽象，我们举例来说明，如下图2所示。
可以看到，上联encoder在Decoder模型的输入为“白日依山尽”，同时在Decoder模型中输入包括错落一个时间（或者说字）的单字，如“X”，对应输出应该是“黄”。其中“X”在这里表示句子的开始，“END”表示结束。
这样做的目的是为了仿照人们吟诗作对的思考过程，需要考虑上联的关系，同时也要考虑前一个字对后一个字生成的影响，其中可能包括平仄关系（这里没有强调，只是个猜想）。
二、【模型搭建】
在构建模型的时候，本文主要思量到的是数据的关系。首先需求上，我们研究的是自然语言，具有时序特点；其次，我们的自然语言处理方面需要联系到前后的关系；最后，要考虑人们吟诗作对的过程的模仿。
根据这些思想，本文参考了大量自然语言处理方面的应用资料，比如：模型翻译、英文小说自动生成等方面（本来应该贴上链接的，现在一回头找不到资料了，感谢各位大大……跪谢……），想到将翻译模型移植至古诗文生成模型中，框架是Seq2Seq模型，主要模型被我分成两个部分：连字成句模型 和 连句成对模型。模型的整体架构如下图3所示。
1、连字成句模型
这个部分属于Seq2Seq中Encoder部分，主要用于“首联”的生成。顾名思义，功能是用户输入一个单字，对应模型能够训练生成一整句最优句子。
诗词属于自然语言处理的一部分，具有前后的联系关系，所以选用时序关系的模型最好，常见有RNN。由于RNN在处理长序列句子中存在“梯度爆炸”和“梯度消失”的问题，所以本文选用的是LSTM模型，属于RNN的一种升级模式。同时，又由于一个LSTM只能保证一个单向语义联系，所以为了保留前后的关系，本文选用了双向的LSTM，也做BiLSTM。模型如下图4所示。
举例说明，联系上部分数据构造方面，输入的X1、X2……Xn是1:N的时序拆解内容，输出的Yn为对应时序下的单字输出。比如，输入”XXXX白“，对应输出Yn为”日”。
2、连句成对模型
连句成对模型功能是生成下联，属于Seq2Seq中Decoder部分。与上联模型不同的是，我们这时候输出是一整个句子（也就是把LSTM模型中每个时序的输出都输出）。模型结构如下图5所示。
首先介绍的是图中Decoder的下面部分，本文把它称为是Decoder_encoder，也就是对下联的输入进行编码的意思。
本文参考人们吟诗作对的方式，认为下联的每个字的选择生成，和当前字前面的句子以及上联信息相关。所以Decoder_encoder部分我们选用了LSTM，生成前序向量；之后为了联系上联，我们想到上联中每个字实际应该侧重点各有不同，所以引入了Attention模型，将上联生成的句子进行Attention权值重分配，使得上联对下联每个字的影响权值各不相同。
比如“白日依山尽”为了生成”黄“字，显然”白“字的权值更应该大一些。前序序列的编码向量和Attention下的上联向量，本文将其进行纵向连接，也就是图上显示那样。两种颜色的拼接，将作为Decoder第二部分的输入。
其次是attention计算结构，如图6所示。
以“白日依山尽，黄河入海流”为例。
本文设Encoder的输出维度为h1，设Decoder编码encode层的输出维度为h2，Attention后的输出维度为out。
因此，Encoder对“白日依山尽”进行编码获得大小为[5，h1]的隐藏层输出Y1，此时Y1。Decoder对“黄河入海流”进行编码获得大小为[5, h2]的隐藏层输出Y2。
之后，我们需要随机生成权重矩阵Wq、（大小为[h2, out]）、Wk、Wv(大小为[h1, out])，将Wq和Y2相乘生成大小为[5,out]的Query值；同理，Wk和Wv与Y1相乘生成大小为[5, out]的Keys和Values值，如图7所示。
然后，对Keys矩阵进行转置变成[out, 5]，通过点积方式计算出Query与Keys中各个key的得分Scores，矩阵得到大小为[5, 5]，如图8所示。
为了防止产生过大的方差，因此需要对得分矩阵Scores进行缩放，除以维度的平方得到Scores’，大小为[5, 5]。将缩放后的Scores通过SoftMax函数进行概率转换，得到最终Query与Keys中每个Key的权重Probs。
最后，将Probs与Values进行点乘，获得大小为[5, out]的Attention值，如图9所示。
最后介绍的是图中Decoder的第二部分，本文称之为Decoder_infer，用于生成最后的句子。
Decoder_infer和一个SoftMax层相连，是为了让模型在我们的汉字字典里选出最有可能的生成字结果。前面的监督学习和Attention结果相结合已经生成了对应的组合输入向量，这时候我们就可以使用LSTM，将模型的每个神经元的输出打开，结合SoftMax生成最佳生成字，从而生成完整下联。值得注意的是，这一部分的模型在训练完成后，下联需要以一个链式的方式进行使用。如下图10所示。
三、【实验结果】
本文使用python keras框架下编程。实验数据来源于一位名叫冯重朴_梨味斋散叶的博主的新浪博客，选用数据集中长度大小为7的对联作为本实验数据。下面将展示实验模型和实验结果。
相关代码，70万条对联数据集
获取方式：
关注微信公众号 datayx 然后回复 对联 即可获取。
对联体验链接
https://ai.binwang.me/couplet/
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
