word2vec是一個開源的nlp工具，它可以将所有的詞向量化。至于什麼是詞向量，最開始是我們熟悉的one-hot編碼，但是這種表示方法孤立了每個詞，不能表示詞之間的關系，當然也有次元過大的原因。後面發展出一種方法，術語是詞嵌入。
[1.詞嵌入]
詞嵌入（Word Embedding）是NLP中語言模型與表征學習技術的統稱，它就是将one-hot表示的詞“嵌入”到一個低維空間中，簡單點就是嵌入矩陣E與詞的one-hot的乘積，數學關系為：
舉個例子，如果有2000個詞的字典，那麼每個詞的one-hot形式就是2000*1，如果學習到嵌入矩陣為300 * 2000的化，那麼将生成300 * 1的詞向量，就那麼簡單。還有，嵌入矩陣一般這樣表示，頻數是統計來的：
[2.Word2Vec]
Word2Vec是很流行的詞嵌入算法，它通常包含兩個模型，一個是Skip-Gram模型，這個模型的思想是，標明中間的詞（Context），然後在這個詞的正負n個詞内選擇目标詞（Target）與之對應，構造一個用Context預測輸出為Target的監督學習問題，訓練一個如下圖結構的網絡（吳恩達的課件）：
Skip-Gram
其實還有其他的一些細節，但是說的太細了，寫不完，具體我一會慢慢完善。
還有一個是CBOW(Continuous Bag-of-Words Model)，它的工作原理與Skip-Gram原理相反，他是用上下文預測中間的詞。
接下來，我将用tensorflow來實作一個Skip-Gram，代碼來自于tensorflow的word2vec的改編，是基于這位
部落客，如果想看可以去github看tensorflow的例子。不羅嗦，直接上代碼。
3. 高亮一段代碼[^code]
import time
import numpy as np
import tensorflow as tf
import random
from collections import Counter
with open('data/text8') as f:
text = f.read()
#定義函數來完成資料的預處理
def preprocess(text, freq=5):
'''
對文本進行預處理
:param text: 文本資料
:param freq: 詞頻門檻值
'''
#對文本中的符号進行替換，下面都是用英文翻譯來替代符号
text = text.lower()
text = text.replace('.', ' <PERIOD> ')
text = text.replace(',', ' <COMMA> ')
text = text.replace('"', ' <QUOTATION_MARK> ')
text = text.replace(';', ' <SEMICOLON> ')
text = text.replace('!', ' <EXCLAMATION_MARK> ')
text = text.replace('?', ' <QUESTION_MARK> ')
text = text.replace('(', ' <LEFT_PAREN> ')
text = text.replace(')', ' <RIGHT_PAREN> ')
text = text.replace('--', ' <HYPHENS> ')
text = text.replace(':', ' <COLON> ')
words = text.split()
#删除低頻詞，減少噪音影響
word_counts = Counter(words)
trimmed_words = [word for word in words if word_counts[word] > freq] #這句話很好，可以模仿
return trimmed_words
#清洗文本并分詞
words = preprocess(text)
# print(words[: 200])
#建構映射表
vocab = set(words)
vocab_to_int = {w: c for c, w in enumerate(vocab)}
int_to_vocab = {c: w for c, w in enumerate(vocab)}
print('total words: {}'.format(len(words))) #還有這種輸出方法，學習一下
print('unique words: {}'.format(len(set(words))))
#對原文本進行vocab到int的轉換
int_words = [vocab_to_int[w] for w in words]
#--------------------------------------------------------------------采樣
t = 1e-5 #t值
threshold = 0.8 #删除機率門檻值
#統計單詞出現頻數
int_word_counts = Counter(int_words)
total_count = len(int_words)
#計算單詞頻率
word_freqs = {w: c / total_count for w, c in int_word_counts.items()}
#計算單詞被删除的機率
prob_drop = {w: 1 - np.sqrt(t / word_freqs[w]) for w in int_word_counts}
#對單詞進行采樣
train_words = [w for w in int_words if prob_drop[w] < threshold]
print(len(train_words))
#-----------------------------------------------------------------------采樣
#獲得input word的上下文單詞清單
def get_targets(words, idx, window_size = 5):
'''
獲得input word的上下文單詞清單
:param words: 單詞清單
:param idx: input word 的索引号
:param window_size: 視窗大小
'''
target_window = np.random.randint(1, window_size + 1) #從1到 window_size+1 之間的數，包括1，不包括最後一個
#這裡要考慮input word前面單詞不夠的情況，但是為什麼沒有寫後面單詞不夠的情況呢，
#因為python裡面的list取分片越界時會自動隻取到結尾的
start_point = idx - target_window if (idx - target_window) > 0 else 0 #雖說不能寫三元表達式，但這個挺不錯的
end_point = idx + target_window
#output words(即視窗中的上下文單詞，不包含目标詞，隻是它的上下文的詞)
targets = set(words[start_point: idx] + words[idx + 1: end_point + 1])
return list(targets)
#構造一個擷取batch的生成器
def get_batches(words, batch_size, window_size = 5):
'''
構造一個擷取batch的生成器
'''
n_batches = len(words) // batch_size
#僅取full batches
words = words[: n_batches * batch_size]
for idx in range(0, len(words), batch_size): #range(start, stop[, step])
x, y = [], []
batch = words[idx: idx + batch_size]
for i in range(len(batch)):
batch_x = batch[i]
batch_y = get_targets(batch, i, window_size) #從一個batch的第0位開始，一直往下滑，直到最後一個
#由于一個input word會對應多個output word，是以需要長度統一
x.extend([batch_x] * len(batch_y))
y.extend(batch_y)
yield x, y
#建構網絡，該部分主要包括：輸入層，Embedding，Negative Sampling
train_graph = tf.Graph()
with train_graph.as_default():
inputs = tf.placeholder(tf.int32, shape=[None], name='inputs')
labels = tf.placeholder(tf.int32, shape=[None, None], name='labels') #一般是[batch_size, num_true]，num_true一般為1
vocab_size = len(int_to_vocab)
embedding_size = 200 #嵌入次元
with train_graph.as_default():
#嵌入層權重矩陣
embedding = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1, 1)) #tf.random_uniform((4, 4), minval=low,maxval=high,dtype=tf.float32)))傳回4*4的矩陣
# ，産生于low和high之間，産生的值是均勻分布的。
embed = tf.nn.embedding_lookup(embedding, inputs) #[None, embedding_size]，一般是[batch_size, embedding_size]
#-----------------------------------------------------------負采樣（Negative Sampling）
n_sampled = 100
with train_graph.as_default():
sotfmax_w = tf.Variable(tf.truncated_normal([vocab_size, embedding_size], stddev=0.1)) #[vocab_size, dim], dim就是embedding_size
sotfmax_b = tf.Variable(tf.zeros(vocab_size)) #[vocab_size]
#計算negative sampling下的損失
#tf.nn.sampled_softmax_loss()進行了negative sampling，它主要用在分類的類别較大的情況
loss = tf.nn.sampled_softmax_loss(sotfmax_w, sotfmax_b, labels, embed, n_sampled, vocab_size)
cost = tf.reduce_mean(loss)
optimizer = tf.train.AdamOptimizer().minimize(cost)
#-----------------------------------------------------------負采樣
#為了直覺看到訓練結果，我們将檢視訓練出的相近語義的詞
with train_graph.as_default():
#随機挑選一些單詞
valid_size = 16
valid_window = 100
#從不同位置各選8個詞
valid_examples = np.array(random.sample(range(valid_window), valid_size // 2)) #random.sample(seq, n) 從序列seq中選擇n個随機且獨立的元素
#np.append([1, 2, 3], [[4, 5, 6], [7, 8, 9]])，結果是array([1, 2, 3, 4, 5, 6, 7, 8, 9])
valid_examples = np.append(valid_examples, random.sample(range(1000, 1000 + valid_window), valid_size // 2))
valid_size = len(valid_examples)
#驗證單詞集
valid_dataset = tf.constant(valid_examples, dtype=tf.int32)
#計算每個詞向量的模并進行機關化
norm = tf.sqrt(tf.reduce_sum(tf.squeeze(embedding), 1, keep_dims=True))
normalized_embedding = embedding / norm
#查找驗證單詞的詞向量
valid_embedding = tf.nn.embedding_lookup(normalized_embedding, valid_dataset)
#計算餘弦相似度
similarity = tf.matmul(valid_embedding, tf.transpose(normalized_embedding))
#進行訓練
epochs = 10 #疊代次數
batch_size = 1000 #batch大小
window_size = 10 #視窗大小
with train_graph.as_default():
saver = tf.train.Saver() #檔案存儲
with tf.Session(graph=train_graph) as sess:
iteration = 1
loss = 0
sess.run(tf.global_variables_initializer())
for e in range(1, epochs + 1):
batches = get_batches(train_words, batch_size, window_size)
start = time.time()
for x, y in batches:
feed = {
inputs : x,
labels : np.array(y)[:, None]
}
train_loss, _ = sess.run([cost, optimizer], feed_dict=feed)
loss += train_loss
if iteration % 100 == 0:
end = time.time()
print('Epoch {}/{}'.format(e, epochs),
'Iteration: {}'.format(iteration),
'Avg. Training loss: {:.4f}'.format(loss / 100), #這是一種數字格式化的方法，{:.4f}表示保留小數點後四位
'{:.4f} sec / batch'.format((end-start) / 100))
loss = 0
start = time.time()
#計算相似的詞
if iteration % 1000 == 0:
#計算similarity
sim = similarity.eval()
for i in range(valid_size):
valid_word = int_to_vocab[valid_examples[i]]
top_k = 8 #取最相似單詞的前8個
nearest = (-sim[i, :]).argsort()[1: top_k + 1]
log = 'Nearest to [%s]:' % valid_word
for k in range(top_k):
close_word = int_to_vocab[nearest[k]]
log = '%s%s,' % (log, close_word)
print(log)
iteration += 1
save_path = saver.save(sess, 'model/text8.ckpt')
embed_mat = sess.run(normalized_embedding)
#下面這部分代碼出錯了，暫時沒明白咋回事
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE
viz_words = 500
tsne = TSNE()
embed_tsne = tsne.fit_transform(embed_mat[:viz_words, :])
fig, ax = plt.subplots(figsize=(14, 14))
for idx in range(viz_words):
plt.scatter(*embed_tsne[idx, :], color='steelblue')
plt.annotate(int_to_vocab[idx], (embed_tsne[idx, 0], embed_tsne[idx, 1]), alpha=0.7)