seq2seq聊天模型(一)

原创文章，转载请注明出处

最近完成了sqe2seq聊天模型，磕磕碰碰的遇到不少问题，最终总算是做出来了，并符合自己的预期结果。

本文目的

利用流程图，从理论方面，回顾，总结seq2seq模型,

seq2seq概念

你给模型一段输入，它返回一段输出！

可以用在这些情景，聊天模型、翻译、看图说话、主旨提取等等涉及自然语言的层面，用途较广泛

例如：

输入"今天中午吃什么",

输出"吃兰州拉面"。

seq2seq是通过encoder编译器将一段输入，编译，汇聚成一个状态。再通过decoder解析器，解析该状态，返回一个输出！

encoder和decoder都是建立再LSTM或者RNN的基础上。

## 运行流程

1. 分词

输入"今天中午吃什么"

通过结巴分词工具，分词为["今天", "中午", "吃", "什么"]

输出结果为：输入通过seq2seq的计算后，输出结果为["吃", "拉州", "拉面"]

2. 分词向量化

对于分词最终都会转换为相应的向量

我采用了两种方法，将分词转换为向量

1.随机定义分词的向量，训练过程中，不断的修改，最终形成分词向量。

（下面代码，可以忽略）

 self.dec_Wemb = tf.get_variable('embedding',
                       initializer=tf.random_uniform([dec_vocab_size + 2, self.dec_emb_size]),
                       dtype=tf.float32)

2.使用gesim工具，将分词转换为向量。(我认为这个好，拓展性广很多)

for world in all_words_list:
    # ["_GAO_", "_PAD_", "*",
    if world == "_GAO_" or world == "_PAD_" or world == "*":
        continue
    try:
        embedding.append(model[world].tolist())
    except KeyError:
        embedding.append([0.5] * vim)

3.seq2seq核心运作如下流程图

这里是基础模型(还有attention模型，schedule模型等)

模型的核心点都是在encoder处，编译整理输入状态，传递给decoder解析器，解析得到结果！