使用深度学习突出显示句子中的重要单词

我试图突出显示 imdb 数据集中的重要单词，这些单词最终有助于情感分析预测。

数据集如下：

X_train - 作为字符串的评论。

Y_train - 0 或 1

现在，在使用 Glove 嵌入来嵌入 X_train 值后，我可以将其输入神经网络。

现在我的问题是，如何突出显示最重要的单词概率？就像 Deepmoji.mit.edu 一样？

我尝试过什么：

1. 我尝试将输入句子分成二元组并使用一维 CNN 来训练它。稍后当我们想要找到 X_test 的重要单词时，我们只需将 X_test 拆分为二元组并找到它们的概率即可。它有效但不准确。

2. 我尝试使用预构建的分层注意力网络并成功了。我得到了我想要的，但我无法弄清楚代码中的每一行和概念。这对我来说就像一个黑匣子。

我知道神经网络是如何工作的，我可以使用 numpy 对其进行编码，并从头开始手动反向传播。我详细了解了 lstm 的工作原理以及忘记门、更新门和输出门实际输出的内容。但我仍然无法弄清楚如何提取注意力权重以及如何将数据制作为 3D 数组（我们的 2D 数据中的时间步是什么？）

因此，欢迎任何类型的指导

这是一个带有注意力的版本（不是层次结构），但你应该能够弄清楚如何使其与层次结构一起工作 - 如果不是，我也可以提供帮助。诀窍是定义 2 个模型，并使用 1 个进行训练（模型），另一个用于提取注意力值（model_with_attention_output）：

# Tensorflow 1.9; Keras 2.2.0 (latest versions)
# should be backwards compatible upto Keras 2.0.9 and tf 1.5
from keras.models import Model
from keras.layers import *
import numpy as np

dictionary_size=1000

def create_models():
  #Get a sequence of indexes of words as input:
  # Keras supports dynamic input lengths if you provide (None,) as the 
  #  input shape
  inp = Input((None,))
  #Embed words into vectors of size 10 each:
  # Output shape is (None,10)
  embs = Embedding(dictionary_size, 10)(inp)
  # Run LSTM on these vectors and return output on each timestep
  # Output shape is (None,5)
  lstm = LSTM(5, return_sequences=True)(embs)
  ##Attention Block
  #Transform each timestep into 1 value (attention_value) 
  # Output shape is (None,1)
  attention = TimeDistributed(Dense(1))(lstm)
  #By running softmax on axis 1 we force attention_values
  # to sum up to 1. We are effectively assigning a "weight" to each timestep
  # Output shape is still (None,1) but each value changes
  attention_vals = Softmax(axis=1)(attention)
  # Multiply the encoded timestep by the respective weight
  # I.e. we are scaling each timestep based on its weight
  # Output shape is (None,5): (None,5)*(None,1)=(None,5)
  scaled_vecs = Multiply()([lstm,attention_vals])
  # Sum up all scaled timesteps into 1 vector 
  # i.e. obtain a weighted sum of timesteps
  # Output shape is (5,) : Observe the time dimension got collapsed
  context_vector = Lambda(lambda x: K.sum(x,axis=1))(scaled_vecs)
  ##Attention Block over
  # Get the output out
  out = Dense(1,activation='sigmoid')(context_vector)

  model = Model(inp, out)
  model_with_attention_output = Model(inp, [out, attention_vals])
  model.compile(optimizer='adam',loss='binary_crossentropy')
  return model, model_with_attention_output

model,model_with_attention_output = create_models()


model.fit(np.array([[1,2,3]]),[1],batch_size=1)
print ('Attention Over each word: ',model_with_attention_output.predict(np.array([[1,2,3]]),batch_size=1)[1])

输出将是包含每个单词的注意力值的 numpy 数组 - 值越高，该单词越重要

编辑：您可能想用 embs 替换乘法中的 lstm 以获得更好的解释，但这会导致性能更差......