pytorch-word2vec的实例实现

word2vec的实例实现

实现词嵌入word2vec中的跳字模型和近似训练中的负采样以及二次采样（subsampling），在语料库上训练词嵌入模型的实现。

首先导入实验所需的包或模块。

import collections
import math
import random
import sys
import time
import os
import numpy as np
import torch
from torch import nn
import torch.utils.data as Data
import os

print(torch.__version__)

处理数据集

PTB（Penn Tree Bank）是一个常用的小型语料库 。它采样自《华尔街日报》的文章，包括训练集、验证集和测试集。我们将在PTB训练集上训练词嵌入模型。该数据集的每一行作为一个句子。句子中的每个词由空格隔开。

assert 'ptb.train.txt' in os.listdir("../ref/data/ptb")

with open('../ref/data/ptb/ptb.train.txt', 'r') as f:
    lines = f.readlines()
    # st是sentence的缩写
    raw_dataset = [st.split() for st in lines]

'# sentences: %d' % len(raw_dataset) # 输出 '# sentences: 42068'

输出：

'# sentences: 42068'

对于数据集的前5个句子，打印每个句子的词数和前5个词。这个数据集中句尾符为""，生僻词全用"“表示，数字则被替换成了"N”。

for st in raw_dataset[:5]:
    print('# tokens:', len(st), st[:5])

# tokens: 24 ['aer', 'banknote', 'berlitz', 'calloway', 'centrust']
# tokens: 15 ['pierre', '<unk>', 'N', 'years', 'old']
# tokens: 11 ['mr.', '<unk>', 'is', 'chairman', 'of']
# tokens: 23 ['rudolph', '<unk>', 'N', 'years', 'old']
# tokens: 34 ['a', 'form', 'of', 'asbestos', 'once']

建立词语索引

只保留在数据集中至少出现5次的词。

# tk是token的缩写
counter = collections.Counter([tk for st in raw_dataset for tk in st])
counter = dict(filter(lambda x: x[1] >= 5, counter.items()))

然后将词映射到整数索引。

idx_to_token = [tk for tk, _ in counter.items()]
token_to_idx = {tk: idx for idx, tk in enumerate(idx_to_token)}
dataset = [[token_to_idx[tk] for tk in st if tk in token_to_idx]
           for st in raw_dataset]
num_tokens = sum([len(st) for st in dataset])
'# tokens: %d' % num_tokens # 输出 '# tokens: 887100'

二次采样

文本数据中一般会出现一些高频词，如英文中的“the”“a”和“in”。通常来说，在一个背景窗口中，一个词（如“chip”）和较低频词（如“microprocessor”）同时出现比和较高频词（如“the”）同时出现对训练词嵌入模型更有益。因此，训练词嵌入模型时可以对词进行二次采样 [2]。 具体来说，数据集中每个被索引词$w_i$将有一定概率被丢弃，该丢弃概率为

$$P(w_i)=\max \left(1-\sqrt{\frac{t}{f(w_i)}},0\right)$$

其中 $f(w_i)$ 是数据集中词$w_i$的个数与总词数之比，常数$t$是一个超参数（实验中设为$10^{-4}$）。可见，只有当$f(w_i)>t$时，我们才有可能在二次采样中丢弃词$w_i$，并且越高频的词被丢弃的概率越大。

def discard(idx):
    return random.uniform(0, 1) < 1 - math.sqrt(
        1e-4 / counter[idx_to_token[idx]] * num_tokens) #概率丢弃

subsampled_dataset = [[tk for tk in st if not discard(tk)] for st in dataset]
'# tokens: %d' % sum([len(st) for st in subsampled_dataset]) # '# tokens: 375875'

二次采样后去掉了一半左右的词。下面比较一个词在二次采样前后出现在数据集中的次数。可见高频词“the”的采样率不足1/20。

def compare_counts(token):
    return '# %s: before=%d, after=%d' % (token, sum(
        [st.count(token_to_idx[token]) for st in dataset]), sum(
        [st.count(token_to_idx[token]) for st in subsampled_dataset]))

compare_counts('the') # '# the: before=50770, after=2013'

低频词“join”则完整地保留了下来。

compare_counts('join') # '# join: before=45, after=45'

提取中心词和背景词

我们将与中心词距离不超过背景窗口大小的词作为它的背景词。下面定义函数提取出所有中心词和它们的背景词。它每次在整数1和max_window_size（最大背景窗口）之间随机均匀采样一个整数作为背景窗口大小。

def get_centers_and_contexts(dataset, max_window_size):
    centers, contexts = [], []
    for st in dataset:
        if len(st) < 2:  # 每个句子至少要有2个词才可能组成一对“中心词-背景词”
            continue
        centers += st
        for center_i in range(len(st)):
            window_size = random.randint(1, max_window_size)
            indices = list(range(max(0, center_i - window_size),
                                 min(len(st), center_i + 1 + window_size)))
            indices.remove(center_i)  # 将中心词排除在背景词之外
            contexts.append([st[idx] for idx in indices])
    return centers, contexts

创建一个人工数据集，其中含有词数分别为7和3的两个句子。设最大背景窗口为2，打印所有中心词和它们的背景词。

tiny_dataset = [list(range(7)), list(range(7, 10))]
print('dataset', tiny_dataset)
for center, context in zip(*get_centers_and_contexts(tiny_dataset, 2)):
    print('center', center, 'has contexts', context)

输出：

dataset [[0, 1, 2, 3, 4, 5, 6], [7, 8, 9]]
center 0 has contexts [1]
center 1 has contexts [0, 2]
center 2 has contexts [0, 1, 3, 4]
center 3 has contexts [2, 4]
center 4 has contexts [3, 5]
center 5 has contexts [3, 4, 6]
center 6 has contexts [5]
center 7 has contexts [8, 9]
center 8 has contexts [7, 9]
center 9 has contexts [8]

设最大背景窗口大小为5。提取数据集中所有的中心词及其背景词。

all_centers, all_contexts = get_centers_and_contexts(subsampled_dataset, 5)

使用负采样来进行近似训练。对于一对中心词和背景词，我们随机采样$K$个噪声词（实验中设$K=5$）。根据word2vec论文的建议，噪声词采样概率$P(w)$设为$w$词频与总词频之比的0.75次方

def get_negatives(all_contexts, sampling_weights, K):
    all_negatives, neg_candidates, i = [], [], 0
    population = list(range(len(sampling_weights)))
    for contexts in all_contexts:
        negatives = []
        while len(negatives) < len(contexts) * K: #K negative for one background
            if i == len(neg_candidates):
                # 根据每个词的权重（sampling_weights）随机生成k个词的索引作为噪声词。
                # 为了高效计算，可以将k设得稍大一点
                i, neg_candidates = 0, random.choices(
                    population, sampling_weights, k=int(1e5)) #参数weights设置相对权重，它的值是一个列表，设置之后，每一个成员被抽取到的概率就被确定了。
            neg, i = neg_candidates[i], i + 1
            # 噪声词不能是背景词
            if neg not in set(contexts):
                negatives.append(neg) #select negative from 10**5 candidates
        all_negatives.append(negatives) 
    return all_negatives

sampling_weights = [counter[w]**0.75 for w in idx_to_token]
all_negatives = get_negatives(all_contexts, sampling_weights, 5)

这里展示一下K与背景词数量、干扰词数量的关系：

K = 5
print(" {} * len of ({}) = len of({})".format(K, all_contexts[0], all_negatives[0]))

读取数据

从数据集中提取所有中心词all_centers，以及每个中心词对应的背景词all_contexts和噪声词all_negatives。我们先定义一个Dataset类。

class MyDataset(torch.utils.data.Dataset):
    def __init__(self, centers, contexts, negatives):
        assert len(centers) == len(contexts) == len(negatives)#trigger for exception
        self.centers = centers
        self.contexts = contexts
        self.negatives = negatives

    def __getitem__(self, index):
        return (self.centers[index], self.contexts[index], self.negatives[index])

    def __len__(self):
        return len(self.centers)

通过随机小批量来读取它们。在一个小批量数据中，第$i$个样本包括一个中心词以及它所对应的$n_i$个背景词和$m_i$个噪声词。

• 由于每个样本的背景窗口大小可能不一样，其中背景词与噪声词个数之和$n_i+m_i$也会不同。
• 在构造小批量时，我们将每个样本的背景词和噪声词连结在一起，并添加填充项0直至连结后的长度相同，即长度均为${\max }_i{n}_i+m_i$（max_len变量）。
• 为了避免填充项对损失函数计算的影响，我们构造了掩码变量masks，其每一个元素分别与连结后的背景词和噪声词contexts_negatives中的元素一一对应。
• 当contexts_negatives变量中的某个元素为填充项时，相同位置的掩码变量masks中的元素取0，否则取1。
• 为了区分正类和负类，我们还需要将contexts_negatives变量中的背景词和噪声词区分开来。
• 依据掩码变量的构造思路，我们只需创建与contexts_negatives变量形状相同的标签变量labels，并将与背景词（正类）对应的元素设1，其余清0。

下面我们实现这个小批量读取函数batchify。它的小批量输入data是一个长度为批量大小的列表，其中每个元素分别包含中心词center、背景词context和噪声词negative。该函数返回的小批量数据符合我们需要的格式，例如，包含了掩码变量。

def batchify(data):
    """用作DataLoader的参数collate_fn: 输入是个长为batchsize的list, 
    list中的每个元素都是Dataset类调用__getitem__得到的结果
    """
    max_len = max(len(c) + len(n) for _, c, n in data)
    centers, contexts_negatives, masks, labels = [], [], [], []
    for center, context, negative in data:
        cur_len = len(context) + len(negative)
        centers += [center]
        contexts_negatives += [context + negative + [0] * (max_len - cur_len)]
        masks += [[1] * cur_len + [0] * (max_len - cur_len)]
        labels += [[1] * len(context) + [0] * (max_len - len(context))]
    return (torch.tensor(centers).view(-1, 1), torch.tensor(contexts_negatives),
            torch.tensor(masks), torch.tensor(labels))

用刚刚定义的batchify函数指定DataLoader实例中小批量的读取方式，然后打印读取的第一个批量中各个变量的形状。

batch_size = 512
num_workers = 0 if sys.platform.startswith('win32') else 4

dataset = MyDataset(all_centers, 
                    all_contexts, 
                    all_negatives)
data_iter = Data.DataLoader(dataset, batch_size, shuffle=True, #set a dataset for
                            collate_fn=batchify, 
                            num_workers=num_workers)
for batch in data_iter:
    for name, data in zip(['centers', 'contexts_negatives', 'masks',
                           'labels'], batch):
        print(name, 'shape:', data.shape)
    break

输出：

centers shape: torch.Size([512, 1])
contexts_negatives shape: torch.Size([512, 60])
masks shape: torch.Size([512, 60])
labels shape: torch.Size([512, 60])

跳字模型

通过使用嵌入层和小批量乘法来实现跳字模型。它们也常常用于实现其他自然语言处理的应用。

嵌入层

获取词嵌入的层称为嵌入层，在PyTorch中可以通过创建nn.Embedding实例得到。嵌入层的权重是一个矩阵，其行数为词典大小（num_embeddings），列数为每个词向量的维度（embedding_dim）。我们设词典大小为20，词向量的维度为4。

embed = nn.Embedding(num_embeddings=20, embedding_dim=4)
embed.weight

输出：

Parameter containing:
tensor([[ 1.4661, -0.0863, -0.7256, -0.4591],
        [-0.1848,  0.1527, -0.9891,  1.3739],
        [ 1.6892, -0.8399, -0.1476, -0.6153],
        [ 1.6853, -0.0610,  1.8559,  0.6242],
        [-1.5009,  0.2730, -0.3688,  0.5599],
        [-1.3175,  0.9324,  0.0477,  0.6728],
        [ 0.0316,  0.9806, -0.6857,  1.2622],
        [-1.4576, -0.9973, -0.1076,  0.0197],
        [-1.4366, -0.8724, -0.0563,  1.2543],
        [-1.5040,  0.4426, -0.6406,  0.0243],
        [-1.4785,  1.2112, -0.2328,  1.2140],
        [-2.2098, -0.3141,  0.3318, -1.0206],
        [ 1.2869,  0.9700,  2.3408,  0.2634],
        [-0.7229, -0.1446,  0.5023,  1.4011],
        [ 0.5258,  0.7519,  0.5948,  1.2724],
        [-0.4999, -1.9596, -1.9181,  1.3039],
        [-0.5907,  0.0956, -1.3246, -0.1742],
        [-1.0380, -0.1586, -0.8281,  0.1813],
        [ 0.7077,  0.4264,  1.7595,  1.1582],
        [-0.5711,  0.0796,  0.7719, -0.5790]], requires_grad=True)

嵌入层的输入为词的索引。输入一个词的索引$i$，嵌入层返回权重矩阵的第$i$行作为它的词向量。下面我们将形状为(2, 3)的索引输入进嵌入层，由于词向量的维度为4，我们得到形状为(2, 3, 4)的词向量。

x = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.long)
embed(x)

输出：

tensor([[[-0.1848,  0.1527, -0.9891,  1.3739],
         [ 1.6892, -0.8399, -0.1476, -0.6153],
         [ 1.6853, -0.0610,  1.8559,  0.6242]],

        [[-1.5009,  0.2730, -0.3688,  0.5599],
         [-1.3175,  0.9324,  0.0477,  0.6728],
         [ 0.0316,  0.9806, -0.6857,  1.2622]]], grad_fn=<EmbeddingBackward>)

小批量乘法

可以使用小批量乘法运算bmm对两个小批量中的矩阵一一做乘法。

• 假设第一个小批量中包含$n$个形状为$a\times b$的矩阵${\mathbf{X}}_1,\dots ,{\mathbf{X}}_n$
• 第二个小批量中包含$n$个形状为$b\times c$的矩阵${\mathbf{Y}}_1,\dots ,{\mathbf{Y}}_n$。
• 这两个小批量的矩阵乘法输出为$n$个形状为$a\times c$的矩阵${\mathbf{X}}_1{\mathbf{Y}}_1,\dots ,{\mathbf{X}}_n{\mathbf{Y}}_n$。

因此，给定两个形状分别为($n$, $a$, $b$)和($n$, $b$, $c$)的Tensor，小批量乘法输出的形状为($n$, $a$, $c$)。

X = torch.ones((2, 1, 4))
Y = torch.ones((2, 4, 6))
torch.bmm(X, Y).shape

输出：

X = torch.ones((2, 1, 4))
Y = torch.ones((2, 4, 6))
torch.bmm(X, Y).shape

跳字模型前向计算

在前向计算中，跳字模型的输入包含中心词索引center以及连结的背景词与噪声词索引contexts_and_negatives。其中center变量的形状为(批量大小, 1)，而contexts_and_negatives变量的形状为(批量大小, max_len)。这两个变量先通过词嵌入层分别由词索引变换为词向量，再通过小批量乘法得到形状为(批量大小, 1, max_len)的输出。输出中的每个元素是中心词向量与背景词向量或噪声词向量的内积。

def skip_gram(center, contexts_and_negatives, embed_v, embed_u):
    v = embed_v(center)#(batch_size, 1)
    u = embed_u(contexts_and_negatives)#(batch_size, max_len)
    pred = torch.bmm(v, u.permute(0, 2, 1))
    return pred

简单说一下Tensor.permute的作用：
permute就是更改Tensor的维度，下面的例子将Tensor的二、三维度做了交换

#help
x = torch.randn(2, 3, 5)
print(x)
x.permute(0,2,1)

输出

tensor([[[ 0.4602,  0.1497, -0.4955, -0.6957,  0.0581],
         [-0.5020, -0.6797, -0.6404,  2.0036,  0.5790],
         [-0.0533, -0.4460, -0.2509,  0.1712, -1.3488]],

        [[-0.3313,  0.7201,  0.2478, -1.6327, -0.4580],
         [ 0.5060, -0.1724,  2.7267,  0.1494, -0.3988],
         [-1.8063, -0.5025, -0.3524,  0.4211,  1.5029]]])
tensor([[[ 0.4602, -0.5020, -0.0533],
         [ 0.1497, -0.6797, -0.4460],
         [-0.4955, -0.6404, -0.2509],
         [-0.6957,  2.0036,  0.1712],
         [ 0.0581,  0.5790, -1.3488]],

        [[-0.3313,  0.5060, -1.8063],
         [ 0.7201, -0.1724, -0.5025],
         [ 0.2478,  2.7267, -0.3524],
         [-1.6327,  0.1494,  0.4211],
         [-0.4580, -0.3988,  1.5029]]])

训练模型

定义二元交叉熵损失函数

根据负采样中损失函数的定义，我们可以使用二元交叉熵损失函数，
$$\begin{array}{rl}-\log P(w^{(t+j)}\mid w^{(t)})=& -\log P(D=1\mid w^{(t)},w^{(t+j)})-\sum _{k=1,w_k\sim P(w)}^K\log P(D=0\mid w^{(t)},w_k)\\ =& -\log \sigma \left({\mathbf{u}}_{i_{t+j}}^{\top }{\mathbf{v}}_{i_t}\right)-\sum {k=1,w_k\sim P(w)}^K\log \left(1-\sigma \left({\mathbf{u}}_{h_k}^{\top }{\mathbf{v}}_{i_t}\right)\right)\\ =& -\log \sigma \left({\mathbf{u}}_{i_{t+j}}^{\top }{\mathbf{v}}_{i_t}\right)-\sum {k=1,w_k\sim P(w)}^K\log \sigma \left(-{\mathbf{u}}_{h_k}^{\top }{\mathbf{v}}_{i_t}\right).\end{array}$$

下面定义SigmoidBinaryCrossEntropyLoss。

class SigmoidBinaryCrossEntropyLoss(nn.Module):
    def __init__(self): # none mean sum
        super(SigmoidBinaryCrossEntropyLoss, self).__init__()
    def forward(self, inputs, targets, mask=None):
        """
        input – Tensor shape: (batch_size, len)
        target – Tensor of the same shape as input
        """
        inputs, targets, mask = inputs.float(), targets.float(), mask.float()
        res = nn.functional.binary_cross_entropy_with_logits(inputs, targets, reduction="none", weight=mask)
        return res.mean(dim=1)

loss = SigmoidBinaryCrossEntropyLoss()

我们可以通过掩码变量指定小批量中参与损失函数计算的部分预测值和标签：

• 当掩码为1时，相应位置的预测值和标签将参与损失函数的计算；
• 当掩码为0时，相应位置的预测值和标签则不参与损失函数的计算。

我们之前提到，掩码变量可用于避免填充项对损失函数计算的影响。

pred = torch.tensor([[1.5, 0.3, -1, 2], [1.1, -0.6, 2.2, 0.4]])
# 标签变量label中的1和0分别代表背景词和噪声词
label = torch.tensor([[1, 0, 0, 0], [1, 1, 0, 0]])
mask = torch.tensor([[1, 1, 1, 1], [1, 1, 1, 0]])  # 掩码变量
loss(pred, label, mask) * mask.shape[1] / mask.float().sum(dim=1)

输出：

tensor([0.8740, 1.2100])

下面将从零开始实现二元交叉熵损失函数的计算，并根据掩码变量mask计算掩码为1的预测值和标签的损失。

def sigmd(x):
    return - math.log(1 / (1 + math.exp(-x)))

print('%.4f' % ((sigmd(1.5) + sigmd(-0.3) + sigmd(1) + sigmd(-2)) / 4)) # 注意1-sigmoid(x) = sigmoid(-x)
print('%.4f' % ((sigmd(1.1) + sigmd(-0.6) + sigmd(-2.2)) / 3))

输出：

0.8740
1.2100

发现结果和使用pytorch内置函数是一样的

初始化模型参数

分别构造中心词和背景词的嵌入层，并将超参数词向量维度embed_size设置成100。

embed_size = 100
net = nn.Sequential(
    nn.Embedding(num_embeddings=len(idx_to_token), embedding_dim=embed_size),
    nn.Embedding(num_embeddings=len(idx_to_token), embedding_dim=embed_size)
)

定义训练函数

由于填充项的存在，与之前的训练函数相比，损失函数的计算稍有不同

def train(net, lr, num_epochs):
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print("train on", device)
    net = net.to(device)
    optimizer = torch.optim.Adam(net.parameters(), lr=lr)
    for epoch in range(num_epochs):
        start, l_sum, n = time.time(), 0.0, 0
        for batch in data_iter:
            center, context_negative, mask, label = [d.to(device) for d in batch]

            pred = skip_gram(center, context_negative, net[0], net[1])

            # 使用掩码变量mask来避免填充项对损失函数计算的影响
            l = (loss(pred.view(label.shape), label, mask) *
                 mask.shape[1] / mask.float().sum(dim=1)).mean() # 一个batch的平均loss
            optimizer.zero_grad()
            l.backward()
            optimizer.step()
            l_sum += l.cpu().item()
            n += 1
        print('epoch %d, loss %.2f, time %.2fs'
              % (epoch + 1, l_sum / n, time.time() - start))

train(net, 0.01, 10)

输出：

train on cuda
epoch 1, loss 1.97, time 7.79s
epoch 2, loss 0.63, time 7.28s
epoch 3, loss 0.45, time 7.43s
epoch 4, loss 0.40, time 7.62s
epoch 5, loss 0.37, time 7.46s
epoch 6, loss 0.35, time 7.39s
epoch 7, loss 0.34, time 7.64s
epoch 8, loss 0.33, time 7.60s
epoch 9, loss 0.32, time 7.34s
epoch 10, loss 0.32, time 7.38s

应用词嵌入模型

根据两个词向量的余弦相似度表示词与词之间在语义上的相似度

def get_similar_tokens(query_token, k, embed):
    W = embed.weight.data
    x = W[token_to_idx[query_token]]
    # 添加的1e-9是为了数值稳定性
    cos = torch.matmul(W, x) / (torch.sum(W * W, dim=1) * torch.sum(x * x) + 1e-9).sqrt() #词向量之间的关联性
    _, topk = torch.topk(cos, k=k+1)
    topk = topk.cpu().numpy()
    for i in topk[1:]:  # 除去输入词
        print('cosine sim=%.3f: %s' % (cos[i], (idx_to_token[i])))

get_similar_tokens('news', 10, net[0])

输出：

cosine sim=0.424: hoffman
cosine sim=0.398: daughter
cosine sim=0.396: tokyo
cosine sim=0.394: attributed
cosine sim=0.376: slew
cosine sim=0.373: steps
cosine sim=0.370: pleased
cosine sim=0.369: daily
cosine sim=0.362: reviewing
cosine sim=0.361: wednesday

输出了与”news“最相关的10个词，按照相关度排序