word2vec相似度计算_案例+代码详解：用Word2Vec建立你的私人购物助手

全文共 7812字，预计学习时长 16分钟或更长

你注意过亚马逊的“为你推荐”功能吗？事实上，此功能是由机器学习驱动的，精准无比。

网飞、谷歌、亚马逊、Flipkart等公司斥巨资完善推荐引擎是有原因的。推荐引擎是强大的获客渠道，并能增强用户体验。

举个例子：登录一个常用的网上商城买躺椅，商城会展示出几百种躺椅。

从传统的两座躺椅到回压躺椅；从可升降躺椅到靠墙躺椅。我们试着点开一个皮革手动躺椅：

注意此页面上展现的不同信息。图片左边包含从不同角度拍摄的产品照片。右边展示了产品细节以及相似产品图片。

网站推荐给我们相似的产品，帮消费者节省了手动搜寻和浏览相似扶手椅的时间。

本文将将从一个独特的角度展开展示如何搭建推荐系统，即应用一个NLP概念——Word2vec来进行推荐。

目录

1. word2vec介绍——单词的向量表示

2. 如何生成word2vec词嵌入？

2.1 训练数据

2.2 生成word2vec词嵌入

3. 对非文本数据应用word2vec模型

4. 案例研究：对于网上产品推荐使用word2vec

1. word2vec介绍——单词的向量表示

众所周知，机器处理原始文本数据。实际上，机器几乎不可能处理数据文本之外的其它文本。因此，以向量的形式表示文本一直是所有NLP任务的重要步骤。

其中非常关键的一步是word2vec词嵌入的使用。该方法在2013年被引入NLP领域，完全改变了NLP的前景。

这些嵌入法代表了处理词类比和相似度等任务可达到的最高水准。word2vec嵌入法也能实现King – man +woman ~= Queen(国王–男性 + 女性 ~= 女王等任务)，近乎神迹。

现在有两种word2vec模型——连续词袋模型与Skip-Gram模型。本文将使用后者。

首先要了解如何计算word2vec向量或嵌入。

2. 如何生成word2vec词嵌入？

word2vec模型是一个单个简单隐藏层的神经网络模型。模型任务用于预测语句中每个单词的临近单词。然而，我们的目标与此完全无关。我们想做的只是知道模型被训练后隐藏层所学习的权重。这些权重可做被用做词嵌入。

下面的例子用于理解word2vec模型是如何工作的。思考以下句子：

假设“teleport(传输)”这个词作为输入词。该词拥有规格为2的上下文窗口。这意味着只将此词左右两侧的两个单词作为相近单词。

注意：上下文窗口的规格非固定，可根据需要改变。

现在，任务是逐一选择相近单词(上下文窗口中的单词)并确定词汇表中每个单词被选中的可能性。听起来很容易，对吗？

通过另一个例子来理解这个过程。

2.1 训练数据

需要一个标签数据集来训练神经网络模型。这意味着数据集需要有一组输入，每组都会有相应输出。这时你可能会想问以下问题：

· 何处寻找这样的数据集？

· 该数据集需要包含什么内容？

· 这组数据有多大？

好消息！可以很容易地创建自己的标签数据来训练word2vec模型。如下阐述了如何从文本生成数据集。应用其中的一个句子并创建训练数据。

第一步：黄色高亮单词作为输入，绿色高亮单词为输出。窗口规格为2个单词。将首单词作为输入词。

因此，该输入词的训练样本如下所示：

第二步：将第二个单词作为输入词。上下文窗口将同时改变。现在的相近单词变成了“we”、“become”和“what”。

新的训练样本将附于之前的样本后面，如下所示：

重复以上步骤直至最后一个单词。最后，完整的训练数据如下所示：

一个句子能生成27个训练样本。太赞了！这是我喜欢处理非结构化数据的原因之一——能让标签数据集从无到有。

2.2 生成word2vec词嵌入

现在假设存在一组句子，用同样的方法提取出一组训练样本。将会得到大量训练数据。

假设该数据集中唯一单词(即只出现一次的单词)的数量是5000，并且希望为每一个单词创建规格为100的单词向量。同时word2vec架构如下所示：

· V=5000(词汇表规格)

· N=100(隐藏单元数量或词嵌入长度)

输入是独热编码向量，输出层是词汇表中各单词成为相近单词的概率。

一旦模型被训练，很容易提取WV x N 矩阵的学习权重，并用以提取单词。

如上所示，权重矩阵的规格为5000x100。第一行对应词汇表中的第一个单词，第二行对应第二个，以此类推。

这就是通过word2vec生成固定规格的单词向量或单词嵌入的方法。数据集中的相似词会有相似向量，如指向同一方向的向量。比如，“car”和“jeep”两个词有着相似的向量。

这是对于NLP中如何应用word2vec模型的简要介绍。

实操之前请回答这个问题：如何将word2vec模型应用于产品推荐等非NLP任务？相信你从读到本文主题就想到了这一点。下面解决此问题。

3. 将word2vec模型应用于非文本数据

运用word2vec创建文本向量表示所需的自然语言有什么本质特征？

其本质特征即为文本的序列特质。每个句子或短语都包含单词序列。在没有序列的情况下，读者将难以理解文本。试试解释以下句子：

"these most been languages deciphered written of have already"

这个句子没有序列。读者很难理解句意，因此单词序列对于理解任何自然语言都很重要。此特质让我想到同样拥有序列的数据。

这样的一组数据是电商网站顾客的购物记录。消费者行为通常存在一定模式。比如，参与运动相关活动的人群可能会有如下购买模式：

购买历史

如果每一个产品都能用向量表示，就能很容易地找到相似产品。因此，如果顾客正在网上浏览商品，那么应用两产品之间的向量相似性评分很容易为其推荐相似产品。

然而，如何生成产品的向量表示呢？可以使用word2vec模型生成吗？

当然可以！把顾客购买历史作为输入句子，把商品作为输出单词：

进一步处理网上零售数据，运用word2vec嵌入就能构建出一个推荐系统。

4. 案例研究：使用word2vec模型用Python进行网上商品推荐

搭建并理解我们的问题陈述。

需要基于顾客消费历史，在电商网站上为其建立自动推荐特定数量商品的系统。

点击此链接，使用一组网上零售数据集：https://archive.ics.uci.edu/ml/machine-learning-databases/00352/

启动Jupyter Notebook，快速导入所需库并载入数据集。

import pandas as pdimport numpy as npimport randomfrom tqdm import tqdmfrom gensim.models import Word2Vec import matplotlib.pyplot as plt%matplotlib inlineimport warnings;warnings.filterwarnings('ignore')

df = pd.read_excel('Online Retail.xlsx')df.head()

以下是对于该数据集某些领域的描述：

1. InvoiceNo: 发票号码，每次交易对应的唯一数字

2. StockCode: 产品/物品编码，每一唯一商品对应的唯一数字

3. Description：产品描述

4. Quantity：每次交易每种产品的数量

5. InvoiceDate: 每次交易生成的日期和时间

6. CustomerID：顾客ID，每位顾客对应的唯一数字。

df.shape

输出: (541909, 8)

该数据集包含541909次交易。这是一个搭建模型的极佳数字。

处理缺失数据

# check for missing valuesdf.isnull().sum()

已有充足数据，接下来去除所有含缺失值的行。

# remove missing valuesdf.dropna(inplace=True)

数据准备

将产品编码转换为线性数据：

df['StockCode']= df['StockCode'].astype(str)

查看数据集中唯一顾客的数量：

customers = df["CustomerID"].unique().tolist()len(customers)

输出：4372

数据集中有4372个顾客。对于每一个顾客，提取其购买历史。换句话说，有4372个购买顺序。

从数据集中保留一小部分用以验证是很好的做法。因此，将使用90%的顾客数据创建word2vec嵌入。将数据分割。

# shuffle customer ID'srandom.shuffle(customers)# extract 90% of customer ID'scustomers_train = [customers[i] for i in range(round(0.9*len(customers)))]# split data into train and validation settrain_df = df[df['CustomerID'].isin(customers_train)]validation_df = df[~df['CustomerID'].isin(customers_train)]

将对于数据集中的顾客创建购买顺序，兼顾训练和验证的目的。

# list to capture purchase history of the customerspurchases_train = []# populate the list with the product codesfor i in tqdm(customers_train): temp = train_df[train_df["CustomerID"] == i]["StockCode"].tolist() purchases_train.append(temp)

# list to capture purchase history of the customerspurchases_val = []# populate the list with the product codesfor i in tqdm(validation_df['CustomerID'].unique()): temp = validation_df[validation_df["CustomerID"] == i]["StockCode"].tolist() purchases_val.append(temp)

为产品创建word2vec词嵌入

# train word2vec modelmodel = Word2Vec(window = 10, sg = 1, hs = 0, negative = 10, # for negative sampling alpha=0.03, min_alpha=0.0007, seed = 14)model.build_vocab(purchases_train, progress_per=200)model.train(purchases_train, total_examples = model.corpus_count,  epochs=10, report_delay=1)

因为不再需要训练模型，呼叫 init_sims( )。这会使得模型记忆能力更强。

model.init_sims(replace=True)

查看模型总结：

print(model)

输出：word2vec(词汇=3151，规格=100，透明度=0.03)

本模型有3151个唯一单词，其规格向量各自为100。接下来，提取词汇表中所有单词的向量，将其存储以便取用。

# extract all vectorsX = model[model.wv.vocab]X.shape

输出：(3151，100)

视觉化word2vec词嵌入

视觉化呈现已创建的嵌入总是很有帮助。此处有100个维度的嵌入。我们连4维都不能视觉化呈现，更别提100维了。那究竟该怎么办呢？

将通过UMAP算法把产品嵌入维度从100减少至2。这在维度减少中的应用十分常见。

import umapcluster_embedding = umap.UMAP(n_neighbors=30, min_dist=0.0, n_components=2, random_state=42).fit_transform(X)plt.figure(figsize=(10,9))plt.scatter(cluster_embedding[:, 0], cluster_embedding[:, 1], s=3, cmap='Spectral')

上图中每个点都代表一个产品。图上几处聚集的数据点代表相似产品。

开始推荐产品

恭喜！数据集中每一个产品的word2vec嵌入都已完成。现在，需要为特定产品或产品向量推荐相似产品。

首先创建产品ID以及产品描述库，以便于将产品描述和ID相互匹配。

products = train_df[["StockCode