BERT预训练模型字向量提取工具
BERT预训练模型字向量提取工具
版本： v 0.3.7
更新: 2020/4/20 16:39
升级日志
v0.3.7
- 把测试程序加入到包中，可直接在命令行中使用
BERTVector_test运行测试程序；
v0.3.6
- 发布到pypi中，可直接在命令行使用；
v0.3.3
- 增加了测试的样本及使用示例：短句相似度，词向量分布图等；
v0.3.2
- 同时兼容txt,pkl两种格式输出；
v0.3
- 使用pkl格式保存输出文件；
- 去掉了txt的格式输出；
- 参数
--in_file可指定文件或者目录，自动识别处理；
v0.2
- 可对单个数据文件进行处理；
工具说明
本工具直接读取BERT预训练模型，从中提取样本文件中所有使用到字向量，保存成向量文件，为后续模型提供字向量。
本工具直接读取预训练模型，不需要其它的依赖，同时把样本中所有出现的字符对应的字向量全部提取， 后续的模型可以非常快速进行索引，生成自己的句向量，不再需要庞大的预训练模型或者bert-as-service服务了。
安装：
pip install BERTVector
使用：
BERTVector -h
测试：
BERTVector_test
输出文件格式
支持txt和pkl两种文件格式，可自由选择，默认为pkl格式。 (>v0.3.2版本)
txt格式为：
一行一个字符向量,中间使用空格分隔；
格式为：字符 768大小向量
例如：
! 0.06241071 -0.012108288 0.035899848....
文件格式为pkl，数据格式为dic字典格式，更方便使用。(v0.3版本)
key: 字符
value: 对应的向量,768大小
参数说明
参数说明：
--model_path BERT预训练模型存放的目录，必填；
--in_file 待提取的样本文件名或者目录名，必填；
--out_file 提取后保存的向量文件,可选项，默认为'./bert_embedding.pkl'
--ext 当指定为目录时，可选项，要处理的文件后缀，默认为['csv','txt']
--fmt 指定输出文件的格式，可设置为'txt'或者'pkl', 默认为pkl
调用示例
命令行示例：
示例一：
处理单个文件./data/train_interger.csv，保存到./data/need_bertembedding.pkl
BERTVector \
--model_path=/mnt/sda1/models/chinese_L-12_H-768_A-12/ \
--in_file=./data/train_interger.csv \
--out_file=./data/need_bertembedding.pkl
示例二：
处理目录下的所有tsv,txt文件,默认保存为:./need_bertembedding.pkl
BERTVector \
--model_path=/mnt/sda1/models/chinese_L-12_H-768_A-12/ \
--in_file=./data/ \
--ext tsv txt示例三：
处理文件:dat.csv,保存为txt格式，输出文件名为:./need_bertembedding
BERTVector \
--model_path=/mnt/sda1/models/chinese_L-12_H-768_A-12/ \
--in_file=./dat.csv \
--out_file=./need_bertembedding \
--fmt=txt测试数据及示例
直接运行以下命令即可运行测试程序：
BERTVector_test
示例文件跟随项目安装在python的目录下： \Lib\site-packages\BERTVector\test
可使用以下命令生成测试的向量字典：
BERTVector --model_path=d:\\model\chinese_L-12_H-768_A-12 --in_file=test/test.txt --out_file=test/test.pkl
其中d:\\model\chinese_L-12_H-768_A-12是BERT预训练模型的目录
生成的字向量字典可以方便地为文本进行编码。 示例文件及数据在test目录下,可运行以下命令查看
cd test
python BERTVector_test.py
运行结果：
代码输出如下：
17:35:27.08|X:>load_vector.py
-----------------字向量加载------------------
字典大小：221
向量维度:768
字典首个元素：
字符:(
向量(仅输出前20维):
[-0.0701572 -0.02538603 0.01186333 0.03037252 -0.01405589 0.04111631
-0.00601521 0.08385976 -0.06300574 0.06307469 -0.08003023 0.01581223
-0.0285087 -0.04477277 0.0110429 0.05696263 0.00558841 0.05059543
0.01589187 0.01623219]
-----------------句向量示例------------------
待编码句子：
今日数据趣谈：阿杜比肩魔术师 热火中锋另类纪录新浪体育讯北京时间4月28日
本示例中简单把各字的向量相加作为句向量...
句向量(仅输出前20维):
[-0.31147036 -0.04251522 0.16138141 -0.39930761 -1.07815197 0.06680285
-0.1597157 -0.37606054 -0.42281876 0.34424412 -0.05901627 0.34751215
-1.04583078 -0.50036957 -0.17383758 0.54849081 0.13344521 -0.02983405
0.10145024 0.55525893]
补充使用示例 v0.3.3
生成了句向量，计算句子之间的相似度；
----------------余弦相似度计算-----------------
[基金投资的热度近期有所回升] 与 [新浪体育纪录另类热火中锋] 的相似度: 0.4444
[基金投资的热度近期有所回升] 与 [基金投资的热度近期有所回升] 的相似度: 1.0000
[基金投资的热度近期有所回升] 与 [封闭式基金折价率近期有所上涨] 的相似度: 0.7164
[基金投资的热度近期有所回升] 与 [今日数据趣谈：阿杜比肩魔术师 热火中锋另类纪录新浪体育讯北京时间4月28日] 的相似度: 0.510
4
[基金投资的热度近期有所回升] 与 [以下是今日比赛中诞生的一些有趣数据] 的相似度: 0.5744
[基金投资的热度近期有所回升] 与 [最年轻纪录属于“魔术师”约翰逊，他1980年总决赛对阵76人得到42分，] 的相似度: 0.4471
[基金投资的热度近期有所回升] 与 [首次有三人组合在季后赛做到这一点] 的相似度: 0.5647
[基金投资的热度近期有所回升] 与 [安东尼此役打了38分59秒没有任何运动战出手] 的相似度: 0.4799
[基金投资的热度近期有所回升] 与 [本周受权重股业绩超市场预期] 的相似度: 0.5688
[基金投资的热度近期有所回升] 与 [券商研究机构在本周密集发布二季度的基金投资策略报告] 的相似度: 0.6885
生成词向量，将词向量显示到二维和三维分布图中展示；
请运行例子自行生成：
注意：每次生成的图有可能不一样。
应用案例
使用BERT预训练模型的向量进行编码，可再搭建LSTM，textCNN等模型进行文本分类。
实际案例: BERT字向量+LSTM文本分类模型 https://github.com/mathCrazyy/text_classify
注:该案例使用参数--fmt=txt生成输出文件。
