• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于生成對(duì)抗網(wǎng)絡(luò)的事件描述生成

    2021-07-02 00:35:22孫鶴立孫玉柱張曉云
    計(jì)算機(jī)應(yīng)用 2021年5期
    關(guān)鍵詞:文本模型

    孫鶴立,孫玉柱,2*,張曉云

    (1.西安交通大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,西安 710049;2.西安交通大學(xué)外國(guó)語學(xué)院,西安 710049)

    (*通信作者電子郵箱sunyuzhu12@xjtu.edu.cn)

    0 引言

    社交事件是基于事件的社會(huì)網(wǎng)絡(luò)(Event-Based Social Network,EBSN)[1]的核心要素,驅(qū)動(dòng)了線上和線下網(wǎng)絡(luò)的整體運(yùn)行。事件描述是事件的重要屬性,可綜合包含事件意義、安排、特點(diǎn)等多種信息,不但可輔助用戶決策是否參加該事件,而且給了組織者最大的自由度來使事件更有吸引力。目前,主流社交平臺(tái)如Meetup、豆瓣中的事件描述均為人工生成,由于受到語言描述能力和對(duì)事件描述認(rèn)知層次的影響,事件描述出現(xiàn)了描述貧乏或描述過度、要素覆蓋不全、語言吸引力不強(qiáng)的現(xiàn)象,導(dǎo)致事件參與人數(shù)不符合預(yù)期,且人工生成事件描述工作量較大,為事件組織者增加負(fù)擔(dān)。本文采用自然語言處理模型生成高質(zhì)量的事件描述供組織者參考,以幫助組織者快速形成豐富、準(zhǔn)確、高吸引力的事件描述。

    事件描述的生成算法最終會(huì)應(yīng)用到EBSN 平臺(tái)中,優(yōu)秀的算法不但可以生成高質(zhì)量文本,同時(shí)還需要滿足無監(jiān)督的特點(diǎn)。為了滿足以上特點(diǎn),本文中研究了多種語言生成模型。

    2011 年,文獻(xiàn)[2]中提出了循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型(Recurrent Neural Network Language Modeling,RNNLM)被廣泛應(yīng)用,并多次被應(yīng)用在文本生成實(shí)踐中。文獻(xiàn)[3]中對(duì)RNNLM 做了改進(jìn),使用單個(gè)字符而非單個(gè)單詞作為輸入,在RNNLM 前加入了卷積層和highway 層,使得模型從字符的角度,而非單詞的角度學(xué)會(huì)了如何表達(dá)自然語言。實(shí)驗(yàn)證明他們的改進(jìn)模型能大幅減少參數(shù)數(shù)量,并且在學(xué)習(xí)富詞法語言中,表現(xiàn)優(yōu)于傳統(tǒng)的以詞為最小單位的語言模型。

    為了令RNNLM 在生成文本時(shí)不但依賴當(dāng)前狀態(tài),而且依賴某個(gè)全局表達(dá),Seq2Seq 模型被提出,生成文本的過程變?yōu)榫幋a-解碼的過程。編碼器首先將某段文本表示為一個(gè)隱向量,再通過解碼器解碼,以控制輸出文本的效果。在編碼器的選擇上,有許多不同方案,文獻(xiàn)[4]率先將變分自編碼器引入文本生成中,利用變分自編碼器采樣得到編碼的特性,令隱編碼能夠服從特定分布,從而保證了編碼的連續(xù)性和局部相關(guān)性。文獻(xiàn)[5]同樣利用變分自編碼器編碼空間連續(xù)的特性,通過對(duì)特定文本編碼進(jìn)行梯度上升操作來最大化某個(gè)目標(biāo)函數(shù),從而達(dá)到改進(jìn)某段文本的目的。

    基于RNNLM 的生成方法多基于極大似然估計(jì),在模型訓(xùn)練時(shí)能夠很好地通過反向轉(zhuǎn)播更新參數(shù),并獲得跟訓(xùn)練集極為相似的結(jié)果,然而這些方法又易于過擬合,導(dǎo)致生成文本質(zhì)量不高,文本多樣性低。

    為了令生成的文本更接近真實(shí)文本,并且滿足無監(jiān)督的條件,生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Net,GAN)成為最佳選擇。生成對(duì)抗網(wǎng)絡(luò)2014 年誕生于計(jì)算機(jī)視覺領(lǐng)域,是近年來迅速發(fā)展的一種無監(jiān)督深度學(xué)習(xí)技術(shù)。GAN 的本質(zhì)是尋找兩個(gè)不同分布之間的映射,這兩個(gè)分布通常為先驗(yàn)噪聲分布和真實(shí)數(shù)據(jù)樣本分布,這種特質(zhì)導(dǎo)致它在圖像生成領(lǐng)域具有天然的優(yōu)勢(shì),不過把它應(yīng)用到文本生成時(shí)卻遇到了困難,主要因?yàn)樯善魃傻奈谋緮?shù)據(jù)是離散的、不可微的,因此判別器無法將信息反向傳播給生成器,導(dǎo)致生成器無法更新[6]。

    鑒于以上問題,目前主流的解決辦法是將GAN 與強(qiáng)化學(xué)習(xí)中策略梯度的思想結(jié)合起來,把文本生成構(gòu)建為一個(gè)連續(xù)的決策過程,通過策略梯度算法來估計(jì)生成器的梯度。使用這個(gè)方法的突出代表主要有文獻(xiàn)[7]提出的SeqGAN,SeqGAN使用RNNLM 作為生成模型,同時(shí)使用帶卷積層的神經(jīng)網(wǎng)絡(luò)作為判別模型來訓(xùn)練生成模型,很好地解決了文本的離散性問題,并且性能較高。文獻(xiàn)[8]也采用了類似的結(jié)構(gòu),通過訓(xùn)練生成模型生成評(píng)分勝過真實(shí)訓(xùn)練數(shù)據(jù)的文本,生成了足夠真實(shí)的文本序列。

    目前生成對(duì)抗網(wǎng)絡(luò)已經(jīng)用于法律文本生成[9]、醫(yī)療文本生成[10]等多個(gè)場(chǎng)景,但鮮有學(xué)者將生成對(duì)抗網(wǎng)絡(luò)用于EBSN平臺(tái),尤其是生成事件描述。本文設(shè)計(jì)了生成對(duì)抗網(wǎng)絡(luò)GAN_PG,以無監(jiān)督地生成高質(zhì)量的事件描述。為了保證編碼的連續(xù)性和局部相關(guān)性,采用帶變分編碼器的網(wǎng)絡(luò)作為事件描述生成模型,為了對(duì)文本有良好的分類效果,采用帶控循環(huán)單元(Gated Recurrent Unit,GRU)的神經(jīng)網(wǎng)絡(luò)作為判別模型。實(shí)驗(yàn)結(jié)果表明,通過大量訓(xùn)練后,設(shè)計(jì)的生成對(duì)抗網(wǎng)絡(luò)生成事件描述的BLEU-4 值達(dá)到了0.67,證明了提出的事件描述生成模型GAN_PG 可以無監(jiān)督地產(chǎn)生與自然語言足夠相似的事件描述。

    1 相關(guān)模型原理

    為了更清楚地表現(xiàn)模型的計(jì)算過程,本章簡(jiǎn)要介紹生成對(duì)抗網(wǎng)絡(luò)、變分自編碼器和帶GRU的神經(jīng)網(wǎng)絡(luò)的原理。

    1.1 生成對(duì)抗網(wǎng)絡(luò)

    生成對(duì)抗網(wǎng)絡(luò)是Goodfellow 等[11]于2014 年提出的,已經(jīng)成為主流生成模型框架之一。它包含生成模型和判別模型,通過生成模型和判別模型的反復(fù)博弈來提高生成質(zhì)量。在訓(xùn)練過程中,生成模型的目標(biāo)是生成能夠讓判別模型無法分辨出其和真實(shí)數(shù)據(jù)區(qū)別的樣本,而判別模型的訓(xùn)練目標(biāo)則是將生成模型生成的假樣本從真實(shí)樣本中區(qū)分開來。標(biāo)準(zhǔn)的生成對(duì)抗網(wǎng)絡(luò)最大化判別模型正確分類的概率,同時(shí)最小化生成模型所生成的樣本被判別器正確分類的概率:

    其中:D、G分別表示判別和生成模型,data表示真實(shí)數(shù)據(jù)集,Gθ表示生成模型產(chǎn)生的假數(shù)據(jù)。

    1.2 變分自編碼器

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一種對(duì)序列數(shù)據(jù)建模的神經(jīng)網(wǎng)絡(luò),可以很好地刻畫詞匯的前后關(guān)聯(lián),它十分強(qiáng)大,幾乎可以擬合任何分布。循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型(RNNLM)是利用RNN 對(duì)語言建模,用來描述語言序列的產(chǎn)生過程,與RNN 相比,多了詞向量層(embedding)和softmax層[12]。

    變分自編碼器(Variational Auto-Encoder,VAE)于2013 年由Kingma 等[13]提出,2016 年Doersch[14]對(duì)VAE 做了更詳細(xì)的介紹。變分自編碼器是傳統(tǒng)的RNN 編碼器的改進(jìn)型,對(duì)隱空間中的z→編碼加入了先驗(yàn)分布,并在目標(biāo)函數(shù)中通過KL(Kullback-Leibler)散度來縮小實(shí)際分布和先驗(yàn)分布的距離,以此來強(qiáng)迫編碼器學(xué)到合適的編碼方式;同時(shí),它通過采樣來生成編碼,這也就保證了隱編碼周圍的點(diǎn)也都是有意義的。變分自編碼器的損失函數(shù)Li(θ,φ)如式(2):

    可以看出,其損失函數(shù)由兩部分構(gòu)成:第一部分是負(fù)對(duì)數(shù)似然損失函數(shù)NLL(Negative Log Likelihood),用來縮小輸入序列和輸出序列的差異;第二個(gè)部分則是KL 散度,其中qθ為編碼器,p(z)為對(duì)隱編碼z的先驗(yàn)分布。

    1.3 門控循環(huán)單元

    門控循環(huán)單元(GRU)是為了克服傳統(tǒng)RNN 無法很好處理遠(yuǎn)距離依賴而提出的長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)的一個(gè)變體,解決了傳統(tǒng)RNN 中出現(xiàn)的梯度彌散問題,在保留了LSTM 網(wǎng)絡(luò)很好的記憶功能的同時(shí),較少的參數(shù)也使得GRU 的訓(xùn)練過程能夠更快一些。它可以很好地將文本上下文特征的關(guān)聯(lián)進(jìn)行有效地整合,對(duì)文本有良好的分類效果[15]?;谏鲜鎏匦裕Y(jié)合事件描述的文本特點(diǎn),本文采用帶GRU的神經(jīng)網(wǎng)絡(luò)作為判別模型。

    門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)在處理序列文本的同時(shí),更好地保留了事件描述中原始文本信息,尤其是長(zhǎng)文本中的信息,相較于卷積神經(jīng)網(wǎng)絡(luò),能夠捕捉更多文本信息,從而提高判斷的準(zhǔn)確率。本文使用文獻(xiàn)[16]中的GRU結(jié)構(gòu),如圖1所示。

    圖1 GRU的結(jié)構(gòu)Fig.1 Structure of GRU

    圖中:z[t]為更新門,r[t]為重置門,h[t]為當(dāng)前t時(shí)刻的隱含狀態(tài),橢圓中為算符,方框表示非線性函數(shù)。

    GRU的前向傳播函數(shù)如下:

    其中:W、U、b為參數(shù);xt為輸入向量,ht為輸出向量,zt、rt為更新門和重置門向量。同樣地,根據(jù)鏈?zhǔn)椒▌t,可以得到其反向傳播公式。

    2 生成對(duì)抗網(wǎng)絡(luò)GAN_PG

    由于本文設(shè)計(jì)的生成對(duì)抗網(wǎng)絡(luò)在訓(xùn)練時(shí)借鑒了強(qiáng)化學(xué)習(xí)中的策略梯度(Policy Gradient,PG)下降,因此本文將其命名為GAN_PG。

    2.1 事件描述生成模型

    本文參考了文獻(xiàn)[4]中的VAE 結(jié)構(gòu),在編碼器和解碼器的選擇上,使用了單層GRU。在實(shí)現(xiàn)過程中,使用0-1 高斯分布作為隱編碼的先驗(yàn)問題定義分布。同時(shí)基于文獻(xiàn)[13]中的重采樣技術(shù),用反向傳播來訓(xùn)練網(wǎng)絡(luò)。抽樣時(shí),本文并不直接對(duì)隱編碼進(jìn)行采樣,而是通過兩個(gè)線性神經(jīng)網(wǎng)絡(luò)獲得當(dāng)前編碼的平均值標(biāo)準(zhǔn)差然后通過式(6)獲得隱編碼,其中~Normal(0,1)。

    圖2 為事件描述生成模型的核心結(jié)構(gòu),其中z為向量,其他部分為神經(jīng)網(wǎng)絡(luò),輸入為預(yù)先訓(xùn)練的詞向量。在編碼環(huán)節(jié)完成后,LSTM 的隱狀態(tài)將分別輸入到兩個(gè)線性網(wǎng)絡(luò)中,得到隱編碼分布的平均值ū和方差,然后通過采樣獲得隱編碼,并將其輸入到解碼環(huán)節(jié)。

    圖2 生成模型核心結(jié)構(gòu)Fig.2 Core structure of generator

    本文將隱編碼連接在解碼器的輸入詞向量最后,以初始化解碼器中的隱狀態(tài)。在實(shí)際的訓(xùn)練過程中,為了防止損失函數(shù)中KL 散度降為0,本文還參考了文獻(xiàn)[4]所采用的策略:在訓(xùn)練剛開始時(shí)設(shè)置KL 散度項(xiàng)的權(quán)重為0,然后慢慢升到1。訓(xùn)練過程分為兩個(gè)階段:第一階段,編碼器從文本序列中學(xué)到盡可能多的信息,但不保證分布符合先驗(yàn)分布;第二階段,通過增加KL散度項(xiàng)的權(quán)重,強(qiáng)迫編碼器編得的隱編碼盡可能接近先驗(yàn)分布。

    通過事件描述生成器,可以生成讀上去通順的事件描述。本文有兩種方式可以獲得事件描述:一是在隱編碼空間里面隨機(jī)采樣,這樣生成的事件描述文法通順,但無法保證語義上的一致;二是在已知事件描述的隱編碼周圍采樣,由于采用了變分自編碼器,相似的文本序列的隱編碼在隱空間中也是相近的。本文采用第二種方法,僅在已知事件描述的隱編碼周圍采樣,便可獲得與已知事件描述在文法上相似的新事件描述。生成事件描述后,為了判別事件描述的質(zhì)量,需要引入判別模型。

    2.2 GAN_PG的結(jié)構(gòu)

    GAN_PG 的生成模型在上一節(jié)中進(jìn)行了介紹,判別模型為帶GRU的神經(jīng)網(wǎng)絡(luò),其損失函數(shù)如下:

    生成模型的損失函數(shù)為最大化式(8),即最大化生成模型在生成序列的每一步中所獲得的評(píng)分。其中G、D分別為生成模型和判別模型,式(8)的前半部分為在隱編碼z和已生成的序列y0:t-1下,生成當(dāng)前yt的概率。式(8)的后半部分為生成模型生成yt在判別模型所獲得的評(píng)分。

    接下來度量生成模型所生成的每一步獲得的評(píng)分。因?yàn)榕袆e模型只有在生成模型生成完整個(gè)序列以后,才能對(duì)該序列評(píng)分,而式(8)所要求的是對(duì)生成序列中每一步行為的評(píng)分。本文使用策略梯度來設(shè)計(jì)損失函數(shù):對(duì)于t時(shí)刻所生成的序列yt,使用策略網(wǎng)絡(luò)Gθ(即當(dāng)前生成模型)通過蒙特卡洛搜索算法對(duì)接下來T-t項(xiàng)(T為序列長(zhǎng))使用式(9)進(jìn)行采樣:

    其中:y0:t為當(dāng)前狀態(tài),yt+1:T為基于當(dāng)前生成器狀態(tài)采樣的結(jié)果。為了獲得更準(zhǔn)確的結(jié)果,可以將上述過程重復(fù)數(shù)次取平均。經(jīng)過改進(jìn)的生成模型目標(biāo)函數(shù)如式(10):

    從而可以將pg_loss改寫為式(11)的形式。?pg_loss可以通過式(12)求得。由于計(jì)算?pg_loss時(shí),判別模型的參數(shù)無變化,所以只需要對(duì)生成模型Gθ(yt|z,y0:t-1)進(jìn)行求導(dǎo)并僅更新參數(shù)即可。本文使用式(13)來更新判別模型的參數(shù)。

    在確定了判別器、生成器和其分別的目標(biāo)函數(shù)后,本文通過以下算法來訓(xùn)練GAN_PG。

    算法1 訓(xùn)練GAN_PG。

    Require:生成模型Gθ;判別模型Dσ;數(shù)據(jù)集X。

    3 訓(xùn)練事件描述生成模型的優(yōu)化技巧

    差分自編碼器的目標(biāo)是學(xué)會(huì)如何在隱空間中表達(dá)已有的事件描述。通過觀察式(2)可判斷編碼質(zhì)量:一個(gè)高質(zhì)量的編碼會(huì)有相對(duì)較小的NLL 和非零的KL 散度。較小的NLL 確保了生成結(jié)果和訓(xùn)練數(shù)據(jù)相似,而非零的KL散度確保了編碼的相異性。但如果直接使用式(2)訓(xùn)練,KL 散度會(huì)很快降為0,即編碼和先驗(yàn)分布完全相同,失去了編碼器的意義。

    當(dāng)KL 散度降為0 時(shí),本文提出的變分自編碼器從某種程度上便與RNNLM 完全相同了,RNN 可以擬合任意分布,所以在這種情況下,NLL也能降到接近0。但這樣并不是本文期望的,如果這種情況發(fā)生,解碼器會(huì)完全忽略編碼器的結(jié)果,即無論輸入何種文本序列,輸出的文本序列都相同。

    訓(xùn)練事件描述生成器時(shí),為了避免上述情況,式(2)的兩部分需處在平衡狀態(tài):NLL 部分較小且KL 散度較小但不為零。本文使用了兩種方式來達(dá)到此目標(biāo)。

    首先,在訓(xùn)練過程中,將后半項(xiàng)的系數(shù)置為0,以訓(xùn)練前半項(xiàng);再慢慢將后半項(xiàng)的系數(shù)增加,至1 為止,以訓(xùn)練后半項(xiàng)。在實(shí)現(xiàn)過程中,使用式(14)來調(diào)整后半項(xiàng)的權(quán)重,同時(shí)為了使后半項(xiàng)的值穩(wěn)定在合適范圍,本文將前半項(xiàng)的系數(shù)設(shè)置為79。

    第二是使用dropout 層,即隨機(jī)地將輸入文本的某些詞替換為“_”。采用這種方式的初衷是弱化編碼器對(duì)上一步生成文本序列的依賴,以迫使其使用之前編碼器得到的編碼結(jié)果來恢復(fù)輸入的文本序列。

    4 實(shí)驗(yàn)結(jié)果和分析

    本文首先用短文本單獨(dú)訓(xùn)練事件描述生成器,以考察變分自編碼器的訓(xùn)練過程及在處理自然語言中的表現(xiàn);然后使用GAN_PG 進(jìn)行正式訓(xùn)練,并考察生成的文本和真實(shí)的事件描述的接近程度;最后用訓(xùn)練好的GAN_PG 生成新的事件描述,以此證明GAN_PG 生成的事件描述在文法和語義上都是一致連貫的。

    4.1 數(shù)據(jù)集及評(píng)估指標(biāo)

    本次實(shí)驗(yàn)使用的語料來自Meetup 平臺(tái)洛杉磯市的真實(shí)事件,具體語料信息如表1 所示。在進(jìn)行訓(xùn)練前,本文對(duì)語料庫進(jìn)行了如下預(yù)處理:1)去除非英文單詞;2)將數(shù)字替換成“#”;3)將出現(xiàn)次數(shù)少于5次的詞替換為“<ukn>”。

    表1 數(shù)據(jù)集信息Tab.1 Information of dataset

    衡量生成的事件描述質(zhì)量時(shí),采用文獻(xiàn)[17]提出的BLEU文本評(píng)估方法和文獻(xiàn)[18]的用法。BLEU 起初被用于衡量機(jī)器翻譯的質(zhì)量,其設(shè)計(jì)思想是翻譯后得到的文本與參考文本越接近越好,所以適合衡量生成的文本與現(xiàn)實(shí)事件描述的接近程度。BLEU 采用一種n-gram 的匹配規(guī)則,即比較譯文和參考譯文之間n組詞的相似的占比。BLEU的計(jì)算公式如下:

    其中:BP為長(zhǎng)度懲罰因子,Wn=1/n,Pn為各階n-gram 的精度。

    在實(shí)驗(yàn)中,本文使用了BLEU-4,即采用4-gram 作為采集窗口的BLEU 值。BLEU 值在[0,1),越接近1,則表示生成文本和參考文本越接近。

    同時(shí),為了衡量GAN_PG 的質(zhì)量,本文使用評(píng)分分布作為衡量指標(biāo),即比較生成文本在判別模型的評(píng)分分布與真實(shí)文本評(píng)分分布。由于生成模型和判別模型都處于理想狀態(tài)下的GAN_PG,為了滿足納什均衡的條件,其生成模型的評(píng)分分布一定是無限接近于真實(shí)文本的評(píng)分分布的。因此,本文選擇使用評(píng)分分布的差異來衡量GAN_PG的質(zhì)量。

    4.2 訓(xùn)練事件描述生成模型

    本文使用第3 章的技巧,使用分句后的事件描述來訓(xùn)練事件描述生成模型,訓(xùn)練過程中的損失函數(shù)變化如圖3 所示。在經(jīng)歷了大約120 000 輪的訓(xùn)練后,NLL 和KL 值都趨于穩(wěn)定,最后NLL值停留在1.3附近,而KL散度停留在7附近。

    圖3 NLL和KL值的變化Fig.3 Change of NLL and KL values

    1)在已知樣本周圍采樣。

    將對(duì)已知樣本的隱編碼z~p(z|x)進(jìn)行采樣,其中x為已知的文本序列,即事件描述。p(z|x)為編碼過程,本文通過式(3)進(jìn)行采樣。通過此舉,可以對(duì)生成器認(rèn)為相似的句子作總體了解。實(shí)驗(yàn)結(jié)果如表2所示。

    表2 已知樣本采樣結(jié)果Tab.2 Sampling results of known samples

    2)隨機(jī)采樣。

    對(duì)未知的隱編碼進(jìn)行采樣,同時(shí)檢驗(yàn)在編碼空間中相鄰點(diǎn)的編碼結(jié)果的語義一致性和文法一致性。先在隱空間中進(jìn)行采樣,獲得隱編碼z1、z2~Normal(0,1),然后在兩點(diǎn)之間進(jìn)行線性插值,獲得編碼集合{zi}=t*z1+(1-t)*z2,0 ≤t≤1。隨后再對(duì)集合{zi}進(jìn)行采樣,采樣結(jié)果見表3。

    表3 隨機(jī)采樣結(jié)果(加粗為起點(diǎn)和終點(diǎn))Tab.3 Random sampling results(sentences in bold as start and end)

    從采樣的結(jié)果可以看出,這些句子在文法上都是通暢的,且相鄰的句子的語義也保持連貫性。例如“the event is free,but donations will be greatly appreciated.”和“the event is free,but you must rsvp on meetup.”。這也證明文本生成器的編碼器已學(xué)到如何在編碼的同時(shí)保持文本間語義和文法的連貫和一致性。

    4.3 訓(xùn)練GAN_PG

    按照第3 章的方法來對(duì)生成模型進(jìn)行預(yù)訓(xùn)練,并使用最小化均方誤差來預(yù)訓(xùn)練判別模型。正式訓(xùn)練時(shí),設(shè)置g-step為5,d-step 為1。使用的語料庫與前文幾乎相同,唯一差異是未將事件描述拆分成句子,而是將整個(gè)事件描述輸入。為了控制文本序列的長(zhǎng)度,本文只使用了長(zhǎng)度小于500 的事件描述。

    圖4 為分別訓(xùn)練了1,2,4 個(gè)epoch 后,生成模型隨機(jī)采樣1 000 次產(chǎn)生的文本序列在評(píng)價(jià)模型獲得的評(píng)價(jià)分布與真實(shí)數(shù)據(jù)獲得評(píng)價(jià)分布的對(duì)比。可以看到,多輪訓(xùn)練后,生成文本的評(píng)價(jià)分布更接近真實(shí)文本,這也表明GAN_PG 的生成模型已學(xué)到如何生成高評(píng)價(jià)的文本序列,同時(shí)判別模型也學(xué)會(huì)如何分辨生成文本,并且g-step和d-step的設(shè)置也相對(duì)合理。

    圖4 多輪訓(xùn)練后的評(píng)分分布Fig.4 Score distribution after multiple rounds of training

    采用真實(shí)文本作為參考語料庫,針對(duì)隨機(jī)采樣所生成的1 000 個(gè)樣本,預(yù)訓(xùn)練結(jié)束后的BLEU 值為0.64,訓(xùn)練4 個(gè)epoch后的BLEU 值為0.67,訓(xùn)練后的BLEU 有所提高,說明生成的文本更接近真實(shí)文本。

    4.4 生成新的事件描述

    在完成訓(xùn)練后,本文采用GAN_PG 中的生成模型來生成新的事件描述。由于使用了變分自編碼器,只需在隱空間中進(jìn)行服從0-1 高斯分布的隨機(jī)采樣便可借助解碼器來獲得新的事件描述。為了減少隨機(jī)性,本文還使用束搜索來最大化當(dāng)前文本序列出現(xiàn)的概率。表4 為部分隨機(jī)采樣下生成的新事件描述,其文法通順,語義連貫。

    表4 隨機(jī)采樣下生成的新事件描述Tab.4 New event descriptions generated under random sampling

    5 結(jié)語

    本文采用了變分自編碼器作為生成模型,采用帶GRU 的神經(jīng)網(wǎng)絡(luò)作為判別模型,組成了生成對(duì)抗網(wǎng)絡(luò)GAN_PG。對(duì)從Meetup平臺(tái)采集的數(shù)據(jù)進(jìn)行多輪訓(xùn)練,實(shí)驗(yàn)證明,GAN_PG可以無監(jiān)督地生成高質(zhì)量的事件描述,并且生成事件描述的評(píng)價(jià)分布也與真實(shí)的事件描述類似,且BLEU-4 值為0.67,表明生成的事件描述與真實(shí)事件描述是相似的。本次研究探索了英文事件描述的生成方法,此方法進(jìn)一步完備后可轉(zhuǎn)化為EBSN 平臺(tái)的事件描述自動(dòng)生成功能,促進(jìn)平臺(tái)智能化發(fā)展。后續(xù)的研究中,擬借助類似方法嘗試生成中文事件描述。

    猜你喜歡
    文本模型
    一半模型
    重要模型『一線三等角』
    初中群文閱讀的文本選擇及組織
    甘肅教育(2020年8期)2020-06-11 06:10:02
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    在808DA上文本顯示的改善
    基于doc2vec和TF-IDF的相似文本識(shí)別
    電子制作(2018年18期)2018-11-14 01:48:06
    3D打印中的模型分割與打包
    文本之中·文本之外·文本之上——童話故事《坐井觀天》的教學(xué)隱喻
    論《柳毅傳》對(duì)前代文本的繼承與轉(zhuǎn)化
    人間(2015年20期)2016-01-04 12:47:10
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    黄色 视频免费看| 男人和女人高潮做爰伦理| 精品熟女少妇八av免费久了| 老司机福利观看| 中文字幕av在线有码专区| 不卡一级毛片| 黄片小视频在线播放| 嫩草影院入口| 国产激情久久老熟女| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品久久久av美女十八| 岛国在线免费视频观看| 婷婷丁香在线五月| 亚洲国产精品合色在线| 俺也久久电影网| 久久伊人香网站| 又黄又爽又免费观看的视频| 亚洲国产精品999在线| 精品久久久久久久毛片微露脸| 一级作爱视频免费观看| 怎么达到女性高潮| 男人舔女人的私密视频| 久久香蕉国产精品| 日韩有码中文字幕| 亚洲午夜理论影院| 村上凉子中文字幕在线| 一夜夜www| 两人在一起打扑克的视频| 99久久精品一区二区三区| 麻豆久久精品国产亚洲av| 在线免费观看的www视频| 国模一区二区三区四区视频 | 久久中文看片网| 久久精品91无色码中文字幕| 制服人妻中文乱码| 不卡一级毛片| 欧美性猛交黑人性爽| 操出白浆在线播放| 亚洲无线观看免费| 日韩 欧美 亚洲 中文字幕| 亚洲七黄色美女视频| 性欧美人与动物交配| 小蜜桃在线观看免费完整版高清| 亚洲真实伦在线观看| 淫秽高清视频在线观看| 亚洲欧美激情综合另类| 老司机深夜福利视频在线观看| 国产男靠女视频免费网站| 一个人免费在线观看的高清视频| 女人被狂操c到高潮| 国产伦一二天堂av在线观看| 国产不卡一卡二| 国产成人精品无人区| 成人三级做爰电影| 麻豆成人av在线观看| 国产伦精品一区二区三区视频9 | 国产成人一区二区三区免费视频网站| 亚洲无线观看免费| 日本 av在线| 男女视频在线观看网站免费| 精品一区二区三区av网在线观看| 久久精品91蜜桃| 88av欧美| 国内精品久久久久久久电影| 国产伦一二天堂av在线观看| 午夜a级毛片| 99久久无色码亚洲精品果冻| 久久人妻av系列| 动漫黄色视频在线观看| 久久久国产精品麻豆| 国产真实乱freesex| 窝窝影院91人妻| 久久久久国产精品人妻aⅴ院| ponron亚洲| 国产蜜桃级精品一区二区三区| 色综合站精品国产| 欧美中文日本在线观看视频| 国产精品1区2区在线观看.| 国产蜜桃级精品一区二区三区| 国产成人影院久久av| 久久国产精品人妻蜜桃| 精品国产亚洲在线| 中文字幕熟女人妻在线| 国产成人一区二区三区免费视频网站| 国产精品亚洲美女久久久| 日韩欧美精品v在线| 男女之事视频高清在线观看| 中文字幕最新亚洲高清| 亚洲精品在线美女| 国产精品精品国产色婷婷| 欧美丝袜亚洲另类 | 久久性视频一级片| 国产激情偷乱视频一区二区| 欧美av亚洲av综合av国产av| 成人无遮挡网站| 国产 一区 欧美 日韩| 亚洲电影在线观看av| 欧美黑人欧美精品刺激| 观看美女的网站| 美女cb高潮喷水在线观看 | 精品国内亚洲2022精品成人| 久久精品人妻少妇| 亚洲七黄色美女视频| 亚洲精品乱码久久久v下载方式 | 亚洲国产欧美人成| 最新在线观看一区二区三区| 在线观看免费视频日本深夜| 欧美一区二区国产精品久久精品| 91麻豆av在线| 999精品在线视频| 亚洲中文av在线| 夜夜夜夜夜久久久久| 特级一级黄色大片| 日韩欧美三级三区| e午夜精品久久久久久久| 丰满人妻熟妇乱又伦精品不卡| 欧美最黄视频在线播放免费| 欧美高清成人免费视频www| 女同久久另类99精品国产91| 少妇人妻一区二区三区视频| 天堂√8在线中文| 亚洲国产欧美一区二区综合| 成年免费大片在线观看| 99精品在免费线老司机午夜| 在线观看66精品国产| 久久国产乱子伦精品免费另类| 19禁男女啪啪无遮挡网站| 又大又爽又粗| 精品日产1卡2卡| 国产伦一二天堂av在线观看| 久久欧美精品欧美久久欧美| 美女黄网站色视频| 亚洲人成伊人成综合网2020| 曰老女人黄片| 久久精品综合一区二区三区| 亚洲精品乱码久久久v下载方式 | 亚洲性夜色夜夜综合| 91麻豆av在线| 精品国产超薄肉色丝袜足j| 亚洲国产欧美人成| svipshipincom国产片| 亚洲精品在线美女| 日本a在线网址| 久久久久精品国产欧美久久久| 91av网站免费观看| 亚洲在线自拍视频| 中文字幕人成人乱码亚洲影| 成人av在线播放网站| 搡老熟女国产l中国老女人| 日本 av在线| 中国美女看黄片| 一级毛片女人18水好多| 国产又色又爽无遮挡免费看| 亚洲欧美日韩高清专用| 欧美激情久久久久久爽电影| 亚洲av成人av| 欧美中文综合在线视频| 好男人电影高清在线观看| 我要搜黄色片| 国内精品久久久久精免费| 日本五十路高清| 制服丝袜大香蕉在线| 国产久久久一区二区三区| 悠悠久久av| 制服丝袜大香蕉在线| 日韩欧美国产在线观看| 亚洲国产精品999在线| 日韩高清综合在线| 国产成+人综合+亚洲专区| 免费av毛片视频| 操出白浆在线播放| 国产精品亚洲一级av第二区| 制服丝袜大香蕉在线| 国产综合懂色| 久久人人精品亚洲av| 亚洲精华国产精华精| 成人一区二区视频在线观看| 草草在线视频免费看| 麻豆国产av国片精品| 免费在线观看视频国产中文字幕亚洲| 一进一出好大好爽视频| 又爽又黄无遮挡网站| 亚洲中文字幕日韩| 欧美成人性av电影在线观看| 脱女人内裤的视频| 99久久精品热视频| 日本撒尿小便嘘嘘汇集6| 色老头精品视频在线观看| 少妇丰满av| 国产欧美日韩一区二区精品| av福利片在线观看| 性色av乱码一区二区三区2| 最新美女视频免费是黄的| 午夜免费成人在线视频| 丝袜人妻中文字幕| 不卡av一区二区三区| 欧美黄色片欧美黄色片| 少妇的丰满在线观看| 在线观看免费视频日本深夜| 国产精品爽爽va在线观看网站| 日本三级黄在线观看| 大型黄色视频在线免费观看| 男人的好看免费观看在线视频| 久久精品国产综合久久久| av国产免费在线观看| 午夜免费激情av| 国产在线精品亚洲第一网站| 国产又色又爽无遮挡免费看| 操出白浆在线播放| 久久精品91蜜桃| 日本免费a在线| 淫妇啪啪啪对白视频| 日本与韩国留学比较| a在线观看视频网站| 欧美日本视频| 国产av不卡久久| 成人三级做爰电影| 亚洲精品一区av在线观看| 日韩高清综合在线| 手机成人av网站| 国产av不卡久久| 国产成人啪精品午夜网站| 伊人久久大香线蕉亚洲五| 99久久无色码亚洲精品果冻| 又黄又粗又硬又大视频| 欧美日韩中文字幕国产精品一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 日本与韩国留学比较| 欧美成狂野欧美在线观看| 日韩国内少妇激情av| 床上黄色一级片| 成年女人毛片免费观看观看9| 不卡一级毛片| 亚洲国产欧美一区二区综合| 亚洲自偷自拍图片 自拍| 波多野结衣高清作品| 成人亚洲精品av一区二区| 男人舔女人的私密视频| 午夜精品在线福利| 久久国产精品影院| 亚洲国产精品成人综合色| 日日摸夜夜添夜夜添小说| 草草在线视频免费看| 97超级碰碰碰精品色视频在线观看| 亚洲 欧美 日韩 在线 免费| 啪啪无遮挡十八禁网站| 无限看片的www在线观看| 亚洲精品美女久久久久99蜜臀| 99久久精品国产亚洲精品| 国产av麻豆久久久久久久| www日本在线高清视频| 午夜免费成人在线视频| 久久久精品欧美日韩精品| 在线看三级毛片| 国产激情偷乱视频一区二区| 国产精品影院久久| 国产精品女同一区二区软件 | 久久久久免费精品人妻一区二区| 亚洲美女黄片视频| 黄频高清免费视频| 亚洲欧美精品综合久久99| 欧美激情久久久久久爽电影| 久久天堂一区二区三区四区| 后天国语完整版免费观看| 亚洲av中文字字幕乱码综合| 亚洲美女黄片视频| 欧美日韩福利视频一区二区| 国产99白浆流出| 欧美激情在线99| 在线国产一区二区在线| 十八禁网站免费在线| 欧美另类亚洲清纯唯美| 日本五十路高清| 麻豆国产av国片精品| 国产精品1区2区在线观看.| 国内毛片毛片毛片毛片毛片| 久久精品国产综合久久久| 长腿黑丝高跟| 91老司机精品| 丰满人妻一区二区三区视频av | 两个人看的免费小视频| 久久久成人免费电影| 国产单亲对白刺激| 国产野战对白在线观看| 欧美色欧美亚洲另类二区| 国产高潮美女av| 一本久久中文字幕| 中文亚洲av片在线观看爽| 99国产精品一区二区蜜桃av| 日本熟妇午夜| 18禁美女被吸乳视频| 中文字幕av在线有码专区| 亚洲熟妇中文字幕五十中出| 久久久精品大字幕| 色吧在线观看| 一本精品99久久精品77| av欧美777| 狂野欧美激情性xxxx| 国产三级中文精品| 久久这里只有精品19| 两个人的视频大全免费| 午夜精品在线福利| 国产一区二区三区视频了| 免费看十八禁软件| 狂野欧美激情性xxxx| 久久欧美精品欧美久久欧美| 中文字幕精品亚洲无线码一区| 老汉色∧v一级毛片| 亚洲精品久久国产高清桃花| 激情在线观看视频在线高清| 99国产精品一区二区蜜桃av| 中文字幕av在线有码专区| 国产精品一区二区三区四区久久| 天堂网av新在线| 亚洲激情在线av| 国产成人啪精品午夜网站| 97人妻精品一区二区三区麻豆| 国产日本99.免费观看| 日韩人妻高清精品专区| 一进一出抽搐动态| 91字幕亚洲| 精品一区二区三区视频在线 | 久久这里只有精品中国| 99久久综合精品五月天人人| av国产免费在线观看| 国产69精品久久久久777片 | 最近最新中文字幕大全电影3| 少妇丰满av| 99久国产av精品| 久久久国产欧美日韩av| 亚洲精品456在线播放app | 99久久成人亚洲精品观看| 中文字幕人成人乱码亚洲影| 亚洲精品456在线播放app | 欧美大码av| 99久久精品热视频| 欧洲精品卡2卡3卡4卡5卡区| 久久久成人免费电影| 法律面前人人平等表现在哪些方面| 亚洲欧美日韩无卡精品| 久久这里只有精品19| 大型黄色视频在线免费观看| 亚洲人成伊人成综合网2020| 最好的美女福利视频网| 免费看日本二区| 亚洲美女黄片视频| 91麻豆av在线| 精品国产三级普通话版| 欧美国产日韩亚洲一区| 午夜免费观看网址| 精品久久久久久久久久免费视频| 男女床上黄色一级片免费看| 啦啦啦韩国在线观看视频| 免费高清视频大片| 看片在线看免费视频| 亚洲精品国产精品久久久不卡| 脱女人内裤的视频| 九九热线精品视视频播放| 免费一级毛片在线播放高清视频| 噜噜噜噜噜久久久久久91| 人人妻人人看人人澡| 综合色av麻豆| 搡老熟女国产l中国老女人| 久久久精品欧美日韩精品| 亚洲成av人片在线播放无| 亚洲av电影在线进入| 少妇的逼水好多| 亚洲国产欧美人成| 亚洲国产日韩欧美精品在线观看 | 成年免费大片在线观看| 搡老岳熟女国产| 91麻豆av在线| 国产伦精品一区二区三区视频9 | 久久精品国产综合久久久| 舔av片在线| 一本综合久久免费| 两个人视频免费观看高清| 国内精品一区二区在线观看| 天天躁日日操中文字幕| 国产精品久久久久久久电影 | 啦啦啦观看免费观看视频高清| 国产高清视频在线观看网站| 国产欧美日韩精品一区二区| 亚洲狠狠婷婷综合久久图片| 又黄又粗又硬又大视频| 色播亚洲综合网| 亚洲欧美精品综合一区二区三区| 久久久久九九精品影院| 999精品在线视频| 成人性生交大片免费视频hd| 国内少妇人妻偷人精品xxx网站 | 在线观看舔阴道视频| 深夜精品福利| 精品久久久久久成人av| 亚洲精品在线观看二区| 亚洲五月婷婷丁香| 老司机在亚洲福利影院| 日本免费a在线| 免费看光身美女| 国产成人精品久久二区二区91| 婷婷亚洲欧美| www.www免费av| 国产一级毛片七仙女欲春2| 国产淫片久久久久久久久 | 亚洲av成人一区二区三| 香蕉丝袜av| 国产精品乱码一区二三区的特点| 久久精品91无色码中文字幕| 亚洲一区二区三区色噜噜| 99精品久久久久人妻精品| 日韩免费av在线播放| 无人区码免费观看不卡| 日韩欧美精品v在线| 色av中文字幕| 黄片小视频在线播放| 一级毛片女人18水好多| 成在线人永久免费视频| 手机成人av网站| 亚洲aⅴ乱码一区二区在线播放| 亚洲av成人一区二区三| 亚洲18禁久久av| 国产淫片久久久久久久久 | 嫩草影院入口| 欧美日韩黄片免| 欧美日韩一级在线毛片| 男女午夜视频在线观看| 欧美中文综合在线视频| 国产成年人精品一区二区| 99精品在免费线老司机午夜| 国产精品av久久久久免费| 超碰成人久久| 性色avwww在线观看| 黄色 视频免费看| 精品无人区乱码1区二区| 美女大奶头视频| 日韩欧美在线二视频| 色吧在线观看| 少妇的逼水好多| 搡老妇女老女人老熟妇| 在线观看免费视频日本深夜| 操出白浆在线播放| 少妇人妻一区二区三区视频| 国产高清videossex| 国产高清视频在线观看网站| 中文资源天堂在线| 99久久无色码亚洲精品果冻| 三级国产精品欧美在线观看 | 一区福利在线观看| 亚洲在线观看片| or卡值多少钱| 曰老女人黄片| 亚洲欧美日韩高清专用| 午夜影院日韩av| 欧美中文综合在线视频| 十八禁网站免费在线| 亚洲国产欧美网| 国产高清有码在线观看视频| 亚洲成人免费电影在线观看| 中文字幕精品亚洲无线码一区| 搡老岳熟女国产| 亚洲欧洲精品一区二区精品久久久| 国产欧美日韩精品亚洲av| 亚洲av成人一区二区三| 99久久无色码亚洲精品果冻| 免费在线观看影片大全网站| 性欧美人与动物交配| 日韩欧美一区二区三区在线观看| 脱女人内裤的视频| 国产伦人伦偷精品视频| 日本成人三级电影网站| 狂野欧美白嫩少妇大欣赏| 美女大奶头视频| 午夜久久久久精精品| 国产成人av激情在线播放| 亚洲精品粉嫩美女一区| 在线十欧美十亚洲十日本专区| 中亚洲国语对白在线视频| 每晚都被弄得嗷嗷叫到高潮| 首页视频小说图片口味搜索| 色吧在线观看| 黑人操中国人逼视频| 一个人观看的视频www高清免费观看 | 一区福利在线观看| 99热精品在线国产| 亚洲欧美一区二区三区黑人| 国产一区在线观看成人免费| 成人18禁在线播放| 亚洲国产欧美人成| 国产精品一区二区三区四区免费观看 | 国产成人aa在线观看| 在线视频色国产色| 中文在线观看免费www的网站| 久久久久久久午夜电影| 亚洲色图av天堂| 麻豆成人午夜福利视频| www日本黄色视频网| 国产精品一区二区免费欧美| 嫩草影院精品99| 亚洲欧美精品综合一区二区三区| 亚洲成人久久爱视频| 99re在线观看精品视频| 亚洲欧美日韩高清在线视频| 午夜亚洲福利在线播放| 国产午夜福利久久久久久| 国产亚洲欧美98| 香蕉av资源在线| 国产成人精品久久二区二区免费| 国产精品 国内视频| 日韩免费av在线播放| 亚洲av电影不卡..在线观看| 老汉色av国产亚洲站长工具| 成人高潮视频无遮挡免费网站| 俺也久久电影网| 精品人妻1区二区| 在线播放国产精品三级| 90打野战视频偷拍视频| 久久国产精品影院| 老司机午夜十八禁免费视频| 九九久久精品国产亚洲av麻豆 | 亚洲,欧美精品.| 99久久99久久久精品蜜桃| 久久精品91无色码中文字幕| 国产精品久久久久久亚洲av鲁大| 久久久久精品国产欧美久久久| 午夜福利免费观看在线| 又紧又爽又黄一区二区| 午夜激情福利司机影院| 在线永久观看黄色视频| 中文字幕av在线有码专区| 最近最新免费中文字幕在线| 国产高潮美女av| 一卡2卡三卡四卡精品乱码亚洲| 天堂动漫精品| 天天一区二区日本电影三级| 精品一区二区三区视频在线 | 嫩草影院入口| 国产精品久久久久久亚洲av鲁大| 99久久成人亚洲精品观看| 精品久久久久久久毛片微露脸| 久久国产精品影院| 亚洲成a人片在线一区二区| 免费电影在线观看免费观看| 国产伦一二天堂av在线观看| 午夜精品在线福利| www日本黄色视频网| 窝窝影院91人妻| 夜夜爽天天搞| 日韩精品青青久久久久久| 成人18禁在线播放| 欧美性猛交╳xxx乱大交人| 国产精品久久久久久久电影 | 久久久久国产精品人妻aⅴ院| 久久久国产成人免费| 精华霜和精华液先用哪个| 日日夜夜操网爽| 母亲3免费完整高清在线观看| 97碰自拍视频| 伦理电影免费视频| 免费看美女性在线毛片视频| 国产极品精品免费视频能看的| 精品一区二区三区四区五区乱码| 欧美av亚洲av综合av国产av| 国产成人啪精品午夜网站| 久久精品国产清高在天天线| 午夜精品一区二区三区免费看| 国产成人福利小说| 搡老熟女国产l中国老女人| 搡老妇女老女人老熟妇| 亚洲最大成人中文| 岛国在线免费视频观看| 成人高潮视频无遮挡免费网站| 国产精品久久视频播放| 熟女电影av网| 欧美日韩福利视频一区二区| 国产精品久久久久久亚洲av鲁大| 欧美中文日本在线观看视频| 午夜a级毛片| 两个人看的免费小视频| 久久久久久国产a免费观看| 成人永久免费在线观看视频| 夜夜爽天天搞| 午夜福利在线观看免费完整高清在 | 俺也久久电影网| 全区人妻精品视频| 亚洲人成电影免费在线| 亚洲成人久久性| 久久性视频一级片| 国产99白浆流出| 亚洲精品456在线播放app | 国内精品一区二区在线观看| 国产成人av教育| 色吧在线观看| 亚洲国产精品合色在线| 在线免费观看不下载黄p国产 | 亚洲国产日韩欧美精品在线观看 | 亚洲 欧美一区二区三区| 日本 欧美在线| 午夜影院日韩av| 成人欧美大片| 国模一区二区三区四区视频 | 99热这里只有是精品50| 欧美在线一区亚洲| 女人高潮潮喷娇喘18禁视频| 亚洲欧美日韩高清在线视频| 日本 欧美在线| 日韩成人在线观看一区二区三区| 欧美最黄视频在线播放免费| 免费看十八禁软件| 18禁黄网站禁片免费观看直播| 一区二区三区国产精品乱码| 高清毛片免费观看视频网站| 日韩 欧美 亚洲 中文字幕| 亚洲成av人片在线播放无| 麻豆国产av国片精品| 免费av毛片视频|