aliceyangxi1987的博客

智能时代,做个终身学习者,持续迭代;公众号-极客X养成计划;简书-不会停的蜗牛...

TensorFlow-9-词的向量表示

今日资料:
https://www.tensorflow.org/tutorials/word2vec
中文版:
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/word2vec.html

这一节是关于 word2vec 模型的,可以用来学习词的向量表达,也叫‘word embeddings’。

之前写过一篇:word2vec 模型思想和代码实现,里面有 skip-gram 算法的简单实现。
http://www.jianshu.com/p/86134284fa14

今天要看的是如何在 TensorFlow 中训练词向量,主要看一下这个代码:
tensorflow/examples/tutorials/word2vec/word2vec_basic.py

词向量就是用一个具有一定维度的向量来表示一个单词,这样在分布式假设的思想下,我们可以认为出现在相同上下文情景中的词汇都有类似的语义。

word2vec 可以很有效地从文本中学习出词向量,主要有两种算法,Continuous Bag-of-Words model (CBOW) 和 Skip-Gram ,CBOW 根据上下文(’the cat sits on the’)来预测目标词汇(例如,‘mat’),而 Skip-Gram 则相反,它通过已知的目标词汇来预测上下文。

通常的 Neural probabilistic language 是通过极大似然法来条件概率:在给定前面语境的情况下,最大化目标词的概率。
而在 word2vec 中不需要用全概率模型,而是用 logistic regression 来把真实的目标词汇和制造的噪音词汇分开

目标函数就是,这个也叫 Negative Sampling,

即现在的 loss function 只和随机选出来的 k 个 噪声单词有关,而不是整个语料库 V,这样训练比较快。


本节的代码就是用一个 Skip-gram 模型来训练词向量:

例如我们有数据集:
the quick brown fox jumped over the lazy dog
假设使用大小为1的窗口,这样就得到这样一个由(上下文, 目标单词) 组成的数据集:
([the, brown], quick), ([quick, fox], brown), ([brown, jumped], fox), …

Skip-Gram 模型是把目标单词和上下文颠倒过来,因此数据集就变成由(输入, 输出)组成的:
(quick, the), (quick, brown), (brown, quick), (brown, fox), …

我们会计算每一对观察值和噪声值的损失函数,例如 sheep 就是个噪音:

整个计算的过程就是我们求出目标函数对 theta 的梯度,然后通过梯度下降法来更新 embedding parameters theta 来最大化目标函数,结果就是 embedding vectors 会不断地移动,直到可以把真实单词和噪声单词很好得区分开。

最后还可以用 t-SNE 来可视化最后的词向量间的距离关系,可以发现具有相似信息的单词距离较近。


1. 先下载数据,words 有17005207 个单词:

url = 'http://mattmahoney.net/dc/'
...
filename = maybe_download('text8.zip', 31344016)
...
words = read_data(filename)

count 就是要统计出 words 里面最高频的 5 万个单词。
dictionary 里的 key 就是 count 里的单词,value 就是频率的排序号。
data 里存的是 words 中每个单词在 dictionary 中的序号,如果不在 5 万里面,就标记为 0.
reverse_dictionary 就是 key value 和 dictionary 里面的互换一下位置:

2. 用 最大长度为 span 的 deque 做一个窗口:

span = 2 * skip_window + 1
buffer = collections.deque(maxlen=span)

从 data 中一个一个读,先把一个窗口给读满。
要生成 batch_size 个样本,
每个样本是,先找到当前窗口的 target,然后在这个窗口中,随机生成 num_skips 个 target-context 对,
即会生成:3084 originated -> 12 as 这样的对。
每次生成完一个样本后,窗口向后移动一位,
一直到生成完 batch_size 个。

embeddings 是先随机生成 5万*128 维,
3. NCE loss 就是训练目标:

4. 用 SGD 优化器去优化目标,
valid_embeddings 是用来检验的 16 个单词的词向量表示,
similarity 是定义验证单词与词汇表中所有单词的相似度:

5. 然后就开始训练模型,num_steps = 100001
每 2000 次迭代后,显示一下平均 loss,
每 10000 次后,计算一下验证单词与所有单词的相似度,并将最相似的 8 个单词显示出来:

6. 最后用 TSNE 将 128 维的词向量降到 2 维,并展示频率最高的 100 个单词:


推荐阅读
历史技术博文链接汇总
也许可以找到你想要的

阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/aliceyangxi1987/article/details/72566754
文章标签: word2vec
个人分类: TensorFlow
所属专栏: TensorFlow
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭