利用 TensorFlow 入门 Word2Vec
做者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
简书地址：https://www.jianshu.com/p/4e1...html
我认为学习算法的最好方法就是尝试去实现它，所以这个教程咱们就来学习如何利用 TensorFlow 来实现词嵌入。node
这篇文章咱们不会去过多的介绍一些词向量的内容，因此不少 king - man - woman - queue 的例子会被省去，直接进入编码实践过程。git
咱们如何设计这些词嵌入？
对于如何设计词嵌入有不少的技术，这里咱们讨论一种很是有名的技术。与咱们往常的认知不一样，word2vec 并非一个深层的网络，它只是一个三层的浅层网络。github
注意：word2vec 有不少的技术细节，可是咱们会跳过这些细节，来使得更加容易理解。算法
word2vec 如何工做？
word2vec 算法的设计以下：微信
- 它是一个三层的网络（一个输入层 + 一个隐藏层 + 一个输出层）。
- 模型输入一个词，而后去预测它周围的词。
- 移除最后一层（输出层），保留输入层和隐藏层。
- 如今，输入一个词库中的词，而后隐藏层的输出就是输入词的词向量。
就是这么简单，这个三层网络就能够获得一个还不错的词向量。网络
接下来就让咱们来实现这个模型。完整的代码能够点击 Github，但我建议你先不要看完整的代码，先一步一步学习。app
接下来，咱们先定义咱们要处理的原始文本：dom
import numpy as np import tensorflow as tf corpus_raw = 'He is the king . The king is royal . She is the royal queen ' # convert to lower case corpus_raw = corpus_raw.lower()
如今，咱们须要将输入的原始文本数据转换成一个输入输出对，以便咱们对输入的词，能够去预测它附近的词。好比，咱们肯定一个中心词， 窗口大小 window_size 设置为 n ，那么咱们就是去预测中心词前面 n 个词和后面 n 个词。Chris McCormick 的这篇博客给出了比较详细的解释。ide
注意：若是中心词是在句子的开头或者末尾，那么咱们就忽略窗口没法得到的词。
在作这个以前，咱们须要建立一个字典，用来肯定每一个单词的索引，具体以下：
words = []
for word in corpus_raw.split():
if word != '.': # because we don't want to treat . as a word
words.append(word)
words = set(words) # so that all duplicate words are removed
word2int = {}
int2word = {}
vocab_size = len(words) # gives the total number of unique words
for i,word in enumerate(words):
word2int[word] = i
int2word[i] = word
这个字典的运行结果以下：
print(word2int['queen']) -> 42 (say) print(int2word[42]) -> 'queen'
接下来，咱们将咱们的句子向量转换成单词列表，以下：
# raw sentences is a list of sentences.
raw_sentences = corpus_raw.split('.')
sentences = []
for sentence in raw_sentences:
sentences.append(sentence.split())
上面代码将帮助咱们获得一个句子的列表，列表中的每个元素是句子的单词列表，以下：
print(sentences) -> [['he', 'is', 'the', 'king'], ['the', 'king', 'is', 'royal'], ['she', 'is', 'the', 'royal', 'queen']]
接下来，咱们要产生咱们的训练数据：
data = []
WINDOW_SIZE = 2
for sentence in sentences:
for word_index, word in enumerate(sentence):
for nb_word in sentence[max(word_index - WINDOW_SIZE, 0) : min(word_index + WINDOW_SIZE, len(sentence)) + 1] :
if nb_word != word:
data.append([word, nb_word])
这个程序给出了单词输入输出对，咱们将窗口的大小设置为 2。
print(data) [['he', 'is'], ['he', 'the'], ['is', 'he'], ['is', 'the'], ['is', 'king'], ['the', 'he'], ['the', 'is'], . . . ]
至此，咱们有了咱们的训练数据，可是咱们须要将它转换成计算机能够理解的表示，即数字。也就是咱们以前设计的 word2int 字典。
咱们再进一步表示，将这些数字转换成 0-1 向量。
i.e., say we have a vocabulary of 3 words : pen, pineapple, apple where word2int['pen'] -> 0 -> [1 0 0] word2int['pineapple'] -> 1 -> [0 1 0] word2int['apple'] -> 2 -> [0 0 1]
那么为何要表示成 0-1 向量呢？这个问题咱们后续讨论。
# function to convert numbers to one hot vectors
def to_one_hot(data_point_index, vocab_size):
temp = np.zeros(vocab_size)
temp[data_point_index] = 1
return temp
x_train = [] # input word
y_train = [] # output word
for data_word in data:
x_train.append(to_one_hot(word2int[ data_word[0] ], vocab_size))
y_train.append(to_one_hot(word2int[ data_word[1] ], vocab_size))
# convert them to numpy arrays
x_train = np.asarray(x_train)
y_train = np.asarray(y_train)
如今，咱们有了 x_train 和 y_train 数据：
print(x_train) -> [[ 0. 0. 0. 0. 0. 0. 1.] [ 0. 0. 0. 0. 0. 0. 1.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 1. 0. 0. 0.] [ 0. 0. 0. 1. 0. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 1. 0. 0. 0.] [ 0. 0. 0. 1. 0. 0. 0.] [ 0. 0. 0. 1. 0. 0. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 1. 0. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0.] [ 0. 0. 1. 0. 0. 0. 0.] [ 0. 0. 1. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0. 0. 0.] [ 1. 0. 0. 0. 0. 0. 0.] [ 1. 0. 0. 0. 0. 0. 0.]]
这两个数据的维度以下：
print(x_train.shape, y_train.shape) -> (34, 7) (34, 7) # meaning 34 training points, where each point has 7 dimensions
构造 TensorFlow 模型
# making placeholders for x_train and y_train x = tf.placeholder(tf.float32, shape=(None, vocab_size)) y_label = tf.placeholder(tf.float32, shape=(None, vocab_size))
从上图中能够看出，咱们将训练数据转换成了另外一种向量表示。
EMBEDDING_DIM = 5 # you can choose your own number W1 = tf.Variable(tf.random_normal([vocab_size, EMBEDDING_DIM])) b1 = tf.Variable(tf.random_normal([EMBEDDING_DIM])) #bias hidden_representation = tf.add(tf.matmul(x,W1), b1)
接下来，咱们对隐藏层的数据进行处理，而且对其附近的词进行预测。预测词的方法咱们采用 softmax 方法。
W2 = tf.Variable(tf.random_normal([EMBEDDING_DIM, vocab_size])) b2 = tf.Variable(tf.random_normal([vocab_size])) prediction = tf.nn.softmax(tf.add( tf.matmul(hidden_representation, W2), b2))
因此，完整的模型是：
input_one_hot ---> embedded repr. ---> predicted_neighbour_prob predicted_prob will be compared against a one hot vector to correct it.
如今，咱们能够训练这个模型：
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init) #make sure you do this!
# define the loss function:
cross_entropy_loss = tf.reduce_mean(-tf.reduce_sum(y_label * tf.log(prediction), reduction_indices=[1]))
# define the training step:
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(cross_entropy_loss)
n_iters = 10000
# train for n_iter iterations
for _ in range(n_iters):
sess.run(train_step, feed_dict={x: x_train, y_label: y_train})
print('loss is : ', sess.run(cross_entropy_loss, feed_dict={x: x_train, y_label: y_train}))
在训练的过程当中，你在控制台能够获得以下结果：
loss is : 2.73213 loss is : 2.30519 loss is : 2.11106 loss is : 1.9916 loss is : 1.90923 loss is : 1.84837 loss is : 1.80133 loss is : 1.76381 loss is : 1.73312 loss is : 1.70745 loss is : 1.68556 loss is : 1.66654 loss is : 1.64975 loss is : 1.63472 loss is : 1.62112 loss is : 1.6087 loss is : 1.59725 loss is : 1.58664 loss is : 1.57676 loss is : 1.56751 loss is : 1.55882 loss is : 1.55064 loss is : 1.54291 loss is : 1.53559 loss is : 1.52865 loss is : 1.52206 loss is : 1.51578 loss is : 1.50979 loss is : 1.50408 loss is : 1.49861 . . .
随着损失值的不断降低，最终会达到一个稳定值。即便咱们没法得到很精确的结果，可是咱们也不在意，由于咱们感兴趣的是 W1 和 b1 的值，即隐藏层的权重。
让咱们来看看这些权重，以下：
print(sess.run(W1))
print('----------')
print(sess.run(b1))
print('----------')
->
[[-0.85421133 1.70487809 0.481848 -0.40843448 -0.02236851]
[-0.47163373 0.34260952 -2.06743765 -1.43854153 -0.14699034]
[-1.06858993 -1.10739779 0.52600187 0.24079895 -0.46390489]
[ 0.84426647 0.16476244 -0.72731972 -0.31994426 -0.33553854]
[ 0.21508843 -1.21030915 -0.13006891 -0.24056002 -0.30445012]
[ 0.17842589 2.08979321 -0.34172744 -1.8842833 -1.14538431]
[ 1.61166084 -1.17404735 -0.26805425 0.74437028 -0.81183684]]
----------
[ 0.57727528 -0.83760375 0.19156453 -0.42394346 1.45631313]
----------
为何采用 0-1 向量？
当咱们将一个 0-1 向量与 W1 相乘时，咱们基本上能够将 W1 与 0-1 向量对应的那个 1 相乘的结果就是词向量。也就是说， W1 就是一个数据查询表。
在咱们的程序中，咱们也添加了一个偏置项 b1 ，因此咱们也须要将它加上。
vectors = sess.run(W1 + b1) # if you work it out, you will see that it has the same effect as running the node hidden representation print(vectors) -> [[-0.74829113 -0.48964909 0.54267412 2.34831429 -2.03110814] [-0.92472583 -1.50792813 -1.61014366 -0.88273793 -2.12359881] [-0.69424796 -1.67628145 3.07313657 -1.14802659 -1.2207377 ] [-1.7077738 -0.60641652 2.25586247 1.34536338 -0.83848488] [-0.10080346 -0.90931684 2.8825531 -0.58769202 -1.19922316] [ 1.49428082 -2.55578995 2.01545811 0.31536022 1.52662396] [-1.02735448 0.72176981 -0.03772151 -0.60208392 1.53156447]]
若是咱们想获得 queen 的向量，咱们能够用以下表示：
print(vectors[ word2int['queen'] ]) # say here word2int['queen'] is 2 -> [-0.69424796 -1.67628145 3.07313657 -1.14802659 -1.2207377 ]
那么这些漂亮的向量有什么用呢？
咱们写一个如何去查找最相近向量的函数，固然这个写法是很是简单粗糙的。
def euclidean_dist(vec1, vec2):
return np.sqrt(np.sum((vec1-vec2)**2))
def find_closest(word_index, vectors):
min_dist = 10000 # to act like positive infinity
min_index = -1
query_vector = vectors[word_index]
for index, vector in enumerate(vectors):
if euclidean_dist(vector, query_vector) < min_dist and not np.array_equal(vector, query_vector):
min_dist = euclidean_dist(vector, query_vector)
min_index = index
return min_index
接下来，让咱们来测试一下单词 king ，queen 和 royal 这些词。
print(int2word[find_closest(word2int['king'], vectors)]) print(int2word[find_closest(word2int['queen'], vectors)]) print(int2word[find_closest(word2int['royal'], vectors)]) -> queen king he
咱们能够获得以下有趣的结果。
king is closest to queen queen is closest to king royal is closest to he
第三个数据是咱们根据大型语料库得出来的（看起来还不错）。语料库的数据更大，咱们获得的结果会更好。（注意：因为权重是随机初始化的，因此咱们可能会获得不一样的结果，若是有须要，咱们能够多运行几回。）
让咱们来画出这个向量相关图。
首先，咱们须要利用将为技术将维度从 5 减少到 2，所用的技术是：tSNE（teesnee！）
from sklearn.manifold import TSNE model = TSNE(n_components=2, random_state=0) np.set_printoptions(suppress=True) vectors = model.fit_transform(vectors)
而后，咱们须要对结果进行规范化，以便咱们能够在 matplotlib 中更好的对它进行查看。
from sklearn import preprocessing normalizer = preprocessing.Normalizer() vectors = normalizer.fit_transform(vectors, 'l2')
最后，咱们将绘制出图。
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
for word in words:
print(word, vectors[word2int[word]][1])
ax.annotate(word, (vectors[word2int[word]][0],vectors[word2int[word]][1] ))
plt.show()
从图中，咱们能够看出。she 跟 queen 的距离很是接近，king 与 royal 的距离和 king 与 queen 的距离相同。若是咱们有一个更大的语料库，咱们能够获得更加复杂的关系图。
为何会发生这些？
咱们给神经网络的任务是预测单词的相邻词。可是咱们尚未具体的分析神经网络是如何预测的。所以，神经网络找出单词的向量表示，用来帮助它预测相邻词这个任务。预测相邻词这自己不是一个有趣的任务，咱们关心的是隐藏层的向量表示。
为了获得这些表示，神经网络使用了上下文信息。在咱们的语料库中，king 和 royal 是做为相邻词出现的，queen 和 royal 也是做为相邻词出现的。
为何把预测相邻词做为一个任务？
其余的任务也能够用来训练这个词向量任务，好比利用 n-gram 就能够训练出很好的词向量！这里有一篇博客有详细解释。
那么，咱们为何还要使用相邻词预测做为任务呢？由于有一个比较著名的模型称为 skip gram 模型。咱们可使用中间词的相邻单词做为输入，并要求神经网络去预测中间词。这被称为连续词袋模型。
总结
- 词向量是很是酷的一个工具。
- 不要在实际生产环境中使用这个 TensorFlow 代码，咱们这里只是为了理解才这样写。生产环境建议使用一些成熟的工具包，好比 gensim
我但愿这个简单教程能够帮助到一些人，能够更加深入的理解什么是词向量。
做者：chen_h
微信号 & QQ：862251340
简书地址：https://www.jianshu.com/p/4e1...
CoderPai 是一个专一于算法实战的平台，从基础的算法到人工智能算法都有设计。若是你对算法实战感兴趣，请快快关注咱们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。长按或者扫描以下二维码，关注 “CoderPai” 微信号（coderpai）