了解词嵌入

参考：
从0开始词嵌入（Word embedding)
word2vec模型深度解析
词向量经典模型：从word2vec、glove、ELMo到BERT
基于TextRank算法的文本摘要（附Python代码）

1 什么是词嵌入？

  词嵌入是自然语言处理的一项核心技术，由于计算机无法理解人类的语言，词嵌入手段将词语转换成计算机能够理解的向量形式，同时也克服了传统方法中词语表示的稀疏性和高维度问题。

1.1定义

  词嵌入是将自然语言中的词语映射为实数向量的过程。在这个过程中，每个词语都被转换成一个固定长度的稠密向量，这些向量构成了词语的向量空间模型。在该模型中，语义或语法性质相似的词语的向量会彼此靠近。

1.2目的

- 语义捕捉：通过学习词语之间的关系，词嵌入能够捕捉词语的同义性、反义性、上下位关系等语义信息。
- 降维： 相比于传统的词袋模型（Bag of Words）或One–hot编码，词嵌入生成的向量维度远低于词汇表的大小，有效缓解了维度灾难问题。
- 稠密表示： 词嵌入向量是稠密的，每个维度通常都有实际的数值，这与稀疏的One-hot向量形成对比。

2 发展历程

2.1 早期尝试

  最早的词表示方法包括One-hot编码和基于统计的方法，如词共现矩阵（Co-occurrence Matrix）和点互信息（PMI）等，但这些方法存在维度高、无法有效捕捉词义等缺点。

2.2 神经网络方法

  随着神经网络的发展，研究者开始使用浅层神经网络学习词嵌入，如Bengio等人提出的神经概率语言模型（NNLM）。

2.3 Word2Vec

  2013年，Mikolov等人提出了Word2Vec，一个高效的词嵌入学习方法，包括Skip-gram和CBOW两种模型。Word2Vec的提出标志着词嵌入技术的一个重要发展阶段。

2.4 后续发展

  随后，更多的模型和方法被提出，如GloVe（基于全局词共现统计的模型）和FastText（能够考虑词内字符级别信息的模型）。

3 实现方法

3.1 Word2Vec 模型

  这是Google在2013年推出的NLP工具，它能够将所有词向量化，这样词与词之间就可以定量的去度量他们之间的关系。
  相比于One-Hot方法，它的思路是通过训练将每个词都映射到较为短的词向量上，这些词向量就组成了向量空间。
  Word2Vec具体的训练方法包含两个部分：CBOW模型和Skip-gram模型。

1. CBOW模型：这是一个三层的神经网络，特点是输入已知的上下文，输出对当前单词的预测。
2. Skip-Gram模型：与CBOW模型正好相反，可以由当前的词预测上下文，
   

3.2 N-gram 模型

  它通过将文本分割成n个连续的项（可以是字母、音节或单词），来预测或识别语言中的一系列元素。这种模型的核心思想是，一个项的出现概率不仅取决于它自身，还取决于它前面的n-1个项。

N-gram定义

  N-gram是一种基于统计的语言模型，用于建立一个项与其前面项序列之间的关联。在N-gram模型中，“N”指的是项的数量，表示在当前项出现的条件下，考虑前面多少个项。例如，一个2-gram（或bigram）模型会考虑当前项之前的1个项，3-gram（或trigram）模型会考虑当前项之前的2个项，以此类推。

N-gram类型

• Unigram（1-gram）：模型中每个项都是独立的，不考虑任何上下文信息。
• Bigram（2-gram）：模型中每个项的出现概率取决于它前面的一个项。
• Trigram（3-gram）及更高阶：模型中每个项的出现概率取决于它前面的两个或更多项。

代码演示 bigram

# 示例文本数据
text_data = [
    "I feel happy because I am learning",
    "learning is a joyful process",
    "I am happy with my learning progress"
]
from collections import defaultdict, Counter
import numpy as np


def preprocess_text(text_data):
    """
    简单的文本预处理：分词并小写化。
    """
    return [sentence.lower().split() for sentence in text_data]


def build_bigram_model(text_data):
    """
    构建Bigram模型，计算每个Bigram的概率。
    """
    # 预处理文本数据
    processed_text = preprocess_text(text_data)

    # 构建Bigram计数
    #可以创建一个自动初始化的字典，适合用来计数
    bigram_counts = defaultdict(Counter)

    for sentence in processed_text:
        for i in range(len(sentence) - 1):
            first_word, second_word = sentence[i], sentence[i + 1]
            bigram_counts[first_word][second_word] += 1

    # 转换计数为概率
    bigram_model = defaultdict(dict)
    for first_word, next_words in bigram_counts.items():
        total_count = sum(next_words.values())
        for second_word, count in next_words.items():
            bigram_model[first_word][second_word] = count / total_count

    return bigram_model


# 构建模型
bigram_model = build_bigram_model(text_data)
def predict_next_word(bigram_model, word):
    """
    根据给定的单词，预测下一个单词的概率。
    """
    next_words = bigram_model.get(word.lower(), {})
    if not next_words:
        return "No predictions available."
    return next_words

# 示例预测
word = "I"
print(f"Given the word '{word}', the next word probabilities are:")
print(predict_next_word(bigram_model, word))
print('so the following word is ',end='')
max_key = max(predict_next_word(bigram_model, word), key=lambda k: predict_next_word(bigram_model, word)[k]) #获取最大值所对应的键
print(f'"{max_key}"') 

3.3 GloVe模型

  Word2Vec模型仅仅只能考虑于该词相临近窗口的局部信息，没有考虑到窗口外的其他信息，而glove模型利用共现矩阵考虑了全局信息

GloVe工作原理

该模型的核心思想是基于一个假设：单词的共现概率（两个单词同时出现的概率）能够反应单词之间的语义关系。模型训练主要包含以下几个步骤：

1. 构建共现矩阵：首先，对一个大型语料库进行遍历，构建一个共现矩阵$X$，矩阵中的元素$X_{ij}$代表单词$i$和$j$在特定大小的上下文窗口内共同出现的次数。
2. 定义目标函数：GloVe模型的目标是让单词向量的点积等于它们共现概率的对数值。具体来说，定义损失函数为所有单词对的权重函数$f(X_{ij})$与单词向量点积与$\log (X_{ij})$之间差的平方和，通过最小化这个损失函数来训练词向量。
3. 权重函数$f(X_{ij})$：为了解决稀疏性和频率差异大的问题，GloVe模型引入了一个权重函数$f(X_{ij})$，它赋予低频单词对较高的权重，而对于高频的单词对则通过一个截断操作来限制它们的权重。
4. 优化：通过梯度下降等优化算法调整每个单词的向量，以最小化上述损失函数。

3.4 TF-IDF 模型

  当目标文本经过文本清洗和停用词的去除后，一般可以认为剩下的均为有着目标含义的词。下面如果需要对其特征进行更进一步的提取，那么提取的应该是那些能代表文章的元素，包括词、短语、句子、标点以及其他信息的词。从词的角度考虑，需要提取对文章表达贡献度大的词。有些对于文章意义不大的词相反会影响模型的性能，因此需要有一种方法来评估文章中词句的重要性。

TF-IDF模型基本原理

• TF (Term Frequency)：词频，表示词语在文档中出现的频率。这反映了词语在文档中的重要性，但未考虑词语在语料库中的分布情况。
• IDF (Inverse Document Frequency)：逆文档频率，用来衡量一个词语是否具有很好的类别区分能力。计算方式是语料库中的文档总数除以包含该词语之文档的数目，再将得到的商取对数。

  TF-IDF=TF×IDF

3.5 TextRank算法

  该算法的核心思想是来自著名的网页排名算啊PageRank。
PageRank：

• 当一个网页被越多网页所链接时，其排名会越靠前
• 排名高的网页应具有更大的表决权，即当一个网页被排名高的网页所链接时，其重要性也会对应提高。

TextRank算法步骤：

1. 把给定的文本T安装完整句子进行分割。
2. 对于每个句子，进行分词和词性标注，并且过滤掉停用词，值保留指定词性的单词，如名词，动词，形容词等。
3. 构建候选关键词图G=（V，E），其中V为节点集，每个词之间的相似度作为连接的边值。
4. 根据以下公式，迭代传播各节点的权重，直至收敛。
   $$WS\left(V_i\right)=(1-d)+d\times \sum _{V_j\in \ln \left(V_i\right)}\frac{w_{ji}}{{\sum }_{V_k\in \mathrm{Out}\left(V_j\right)}{w}_{jk}}WS\left(V_j\right)$$
   对节点按权重进倒排序，作为安重要程度排序的关键词

算法实现

#导入需要的包
import numpy as np
import pandas as pd
import nltk# 自然语言处理包
import re
#需要下载安装punkt模块
#nltk.download('punkt')

#获得数据集  链接：https://s3-ap-south-1.amazonaws.com/av-blog-media/wp-content/uploads/2018/10/tennis_articles_v4.csv
df=pd.read_csv(r".\tennis_articles_v4.csv")

#选择对所有文章进行内容摘要
from nltk.tokenize import sent_tokenize
sentences=[]
for s in df['article_text']:
    #使用sent_tokenize 函数对文本分割成单个句子
    sentences.append(sent_tokenize(s))
print(sentences[:5])
sentences=[y for x in sentences for y in x] #平整list,多维转低维度

#获得embeddding
'''
我们将使用预训练好的Wikipedia 2014 + Gigaword 5 （补充链接）GloVe向量，文件大小是822 MB。
GloVe词向量下载链接：

https://nlp.stanford.edu/data/glove.6B.zip 
 '''
 
word_embeddings={}
f=open(r".\glove.6B.100d.txt",encoding='utf-8')
for line in f:
    values=line.split()
    word=values[0]
    coefs=np.asarray(values[1:],dtype='float32')
    word_embeddings[word]=coefs
f.close()

#文本预处理
#移除标点符号、数字、特殊字符
clean_sentences=pd.Series(sentences).str.replace('[^a-zA-Z]'," ")

#统一成小字母
clean_sentences=[s.lower() for s in clean_sentences]

 #除去常用的停用词如 is am of in 等,需要下载停用词
#nltk.download('stopwords')

from nltk.corpus import stopwords
stop_words=stopwords.words('english')

#定义移除数据集中的停用词的函数
def remove_stopwords(sen):
    sen_new=' '.join([i for i in sen if i not in stop_words])
    return sen_new
    
#移除停用词
clean_sentences=[remove_stopwords(r.split()) for r in clean_sentences]

#利用GloVe词向量为数据集生成特征向量
sentence_vectors=[]
for i in clean_sentences:
    if len(i)!=0:
        v=sum([word_embeddings.get(w,np.zeros((100,))) for w in i.split()])/(len(i.split())+0.001)
        #防止分母为0
    else:
        v=np.zeros((100,))
    sentence_vectors.append(v)

#利用余弦相似度来计算两个句子之间的相似度
from sklearn.metrics.pairwise import cosine_similarity
for i in range(len(sentences)):
    for j in range(len(sentences)):
        if i != j:
            sim_mat[i][j]=cosine_similarity(sentence_vectors[i].reshape(1,100),sentence_vectors[j].reshape(1,100))[0,0]

#应用PageRank算法
import networkx as nx
#先转换成图结构
nx_graph=nx.from_numpy_array(sim_mat)
scores=nx.pagerank(nx_graph)

#摘要提取
ranked_sentences=sorted(((scores[i],s) for i,s in enumerate(sentences)),reverse=True)
for i in range(10):
    print(ranked_sentences[i][1])