自然语言处理Word2Vec

前言

Word2Vec是从大量文本语料中以无监督的方式学习语义知识的一种模型，它被大量地用在自然语言处理（NLP）中，通过学习文本来用词向量的方式表征词的语义信息，即通过一个嵌入空间使得语义上相似的单词在该空间内距离很近。Embedding其实就是一个映射，将单词从原先所属的空间映射到新的多维空间中，也就是把原先词所在空间嵌入到一个新的空间中去。
Word2Vec模型中，主要有Skip-Gram和CBOW两种模型，从直观上理解，Skip-Gram是给定input word来预测上下文。而CBOW是给定上下文，来预测input word。二者的示意图如下所示：

独热表示

在介绍word2vec模型前，我们需要先引入一个概念：独热表示。因为神经网络的输入不可能是一串字符，必须是可计算的数值，我们需要将对数值抽象的文本语料中的每个词转化为数值，这就用到了独热表示。
独热表示（一种表示词的离散方式）：
1）利每一个词对应一个向量
2）该向量只有一个值为1其余值都为0
3）值为1的词对应的下标为该词在词典中的位置
例 S = {家乡， 秋天， 很， 美，浪漫 } S为词典
则五个对应词的表示为：
哈尔滨 = [1， 0， 0， 0， 0]，冬天 = [0， 1， 0， 0， 0]，很 = [0， 0， 1， 0， 0]，美 = [0， 0， 0， 1， 0]，浪漫 = [0， 0， 0， 0， 1]

**独热表示的优点：**解决了分类器不好处理离散数据的问题
**独热表示的缺点：**不考虑顺序，假设词间相互独立， 得到的特征是稀疏的

但是独热表示产生的数据十分稀疏，并且无法十分有效的表示词义的相似性，我们希望找到一个能够表示词义相似性的稠密表示方法，这里就需要引入分布式的思维。

分布式表示

在分布式思想中，我们并不使用词本身来表示一个词，而是利用他的上下文表示（一定的窗口大小），由此，每一个词向量的维度也由词典的整体大小转变为一个固定的大小（这个值可以自己设定，例如，300），由此产生的矩阵也会由稀疏变为稠密。（注：在分布式表达的词向量有时也被称为词嵌入(word embeddings)）
如下图所示，我们用banking周围的单词来表示banking这个词（采用这种方法可以表达出词义和相似度信息）。

接下来我们看看分布式思维构建词向量的具体方法：
首先选择一个窗口来提取上下文的“相关词汇”窗口的要求为在input word左侧和右侧连续的m的词
设一个序列为 W1…Wc-m…Wc-1 Wc Wc+1… Wc+m…Wn （其中Wc表示central word也就是input word）设定窗口大小为m，那我们取到的词为{Wc-m…Wc-1 Wc+1… Wc+m}
如下图所示，“中”设为input word 窗口大小为2，那么取到的上下文词汇有{我，是，国，人} 得到的训练数据为（中，我）（中，是）（中，国）（中，人）

若此时，设定的词向量维度为五，每一维分别是：我、是、中、国、人 那么“中”作为中心词的向量表示为[1, 1, 0, 1, 1]，在这里填充的也不一定是1，可以为TF-IDF值。

我们可以看到通过这种方式构造的词义空间中，相似词义的单词间的距离也会很近。

Word2vec

基本思路

构建词向量的基本思路:
1.一个很大的语料库
2.固定词汇表中的每个单词都用向量表示通过文本中的每个位置，
3.其中有一个中心词c和上下文(“外部”)词
4.使用c和o的向量相似度来计算P(o|c)
5.不断调整单词向量来最大化这个概率

给定一个中间词c 计算上下文词的概率（这个其实是skip-gram），并使其最大化

关注：如何改变词向量，使得目标值最大化

目标函数

对于一个序列的每个位置，在给定中心词的情况下，预测固定大小m窗口内的上下文词

似然值计算（将所有条件概率相乘）：

为了学习这个模型，我们需要一个目标函数（损失函数） 对数（乘积->加法）

为了得到最小化（损失函数）在前面加入一个负号，通过最小化损失函数，来最大化预测的准确 性

那么如何去计算P(Wt+1|Wt)呢？
我们使用两种向量
1.Vw表示当w是中心词时的向量
1.Uw表示当w为上下文词时的向量
计算公式（c为中心词，o为上下文词 ）：

1.利用点积计算相似度（点积越大，相似度越高）

2.分母为归一化因子，所有概率和为1

3.避免负概率，取exp()

注：这里用到的其实是softmax函数：

max:最相似的单词同时出现的概率变得最大。

soft:概率并不为1，所有的可能性都有一定的概率，只不过是大小不同

注意：softmax是根据一组输入，进行缩放，返回的是一个分布（并非一个最大值）

训练模型

对每个词都有两个向量（作为中心词一次，作为上下文一次），每个向量的维度d确定，所以下图矩阵的大小为2dv

我们采用梯度下降法进行参数优化，通过不断的迭代最终达到最小值。

实战练习

import numpy as np

# Get the interactive Tools for Matplotlib
%matplotlib notebook
import matplotlib.pyplot as plt
plt.style.use('ggplot')

from sklearn.decomposition import PCA

from gensim.test.utils import datapath, get_tmpfile
from gensim.models import KeyedVectors
from gensim.scripts.glove2word2vec import glove2word2vec

glove_file = datapath('/Users/manning/Corpora/GloVe/glove.6B.100d.txt')
word2vec_glove_file = get_tmpfile("glove.6B.100d.word2vec.txt")
glove2word2vec(glove_file, word2vec_glove_file)
model = KeyedVectors.load_word2vec_format(word2vec_glove_file)
model.most_similar('obama')
model.most_similar('banana')
model.most_similar(negative='banana')
result = model.most_similar(positive=['woman', 'king'], negative=['man'])
print("{}: {:.4f}".format(*result[0]))
def analogy(x1, x2, y1):
    result = model.most_similar(positive=[y1, x2], negative=[x1])
    return result[0][0]
analogy('japan', 'japanese', 'australia')
analogy('australia', 'beer', 'france')
analogy('obama', 'clinton', 'reagan')
analogy('tall', 'tallest', 'long')
analogy('good', 'fantastic', 'bad')
print(model.doesnt_match("breakfast cereal dinner lunch".split()))
def display_pca_scatterplot(model, words=None, sample=0):
    if words == None:
        if sample > 0:
            words = np.random.choice(list(model.vocab.keys()), sample)
        else:
            words = [ word for word in model.vocab ]
        
    word_vectors = np.array([model[w] for w in words])

    twodim = PCA().fit_transform(word_vectors)[:,:2]
    
    plt.figure(figsize=(6,6))
    plt.scatter(twodim[:,0], twodim[:,1], edgecolors='k', c='r')
    for word, (x,y) in zip(words, twodim):
        plt.text(x+0.05, y+0.05, word)
display_pca_scatterplot(model, 
                        ['coffee', 'tea', 'beer', 'wine', 'brandy', 'rum', 'champagne', 'water',
                         'spaghetti', 'borscht', 'hamburger', 'pizza', 'falafel', 'sushi', 'meatballs',
                         'dog', 'horse', 'cat', 'monkey', 'parrot', 'koala', 'lizard',
                         'frog', 'toad', 'monkey', 'ape', 'kangaroo', 'wombat', 'wolf',
                         'france', 'germany', 'hungary', 'luxembourg', 'australia', 'fiji', 'china',
                         'homework', 'assignment', 'problem', 'exam', 'test', 'class',
                         'school', 'college', 'university', 'institute'])
display_pca_scatterplot(model, sample=300)

代码和数据下载地址