jsp是在html里面嵌入哪种代码?_用code2vec、glow和spaCy进行词嵌入

改进机器学习模型的一个有效方法是使用词嵌入。使用词嵌入，你可以捕获文档中单词的上下文，然后找到语义和语法上的相似之处。

在这篇文章中，我们将讨论词嵌入技术的一个不寻常的应用。我们将尝试使用OpenAPI的规范作为数据集在其中找到最好的词嵌入技术。作为OpenAPI规范的一个例子，我们将使用OpenAPI specifications(https://swagger.io/specification/)提供的OpenAPI规范数据集。

最大的挑战是，OpenAPI规范既不是自然语言，也不是代码。但这也意味着我们可以自由使用任何可用的嵌入模型。在这个实验中，我们将研究三种可能可行的候选方案：code2vec、glow和spaCy。

code2vec是一个神经模型，可以学习与源代码相关的类比。该模型是在Java代码数据库上训练的，但是你可以将其应用于任何代码。

还有GloVe。GloVe是一种常用的自然语言处理算法。它是在维基百科和Gigawords上训练的。

最后，我们有了spaCy。虽然spaCy是最近才发展起来的，但该算法已经以世界上最快的词嵌入而闻名。

让我们看看这些算法中哪一种更适合OpenAPI数据集，哪种算法对于OpenAPI规范的运行速度更快. 我把这篇文章分为六个部分，每个部分都包含代码示例和一些将来使用的提示，外加一个结论。

1. 下载数据集
2. 下载词汇表
3. 提取字段名称
4. 标识化
5. 创建字段名称的数据集
6. 测试嵌入
7. 结论

现在，我们可以开始了。

1.下载数据集

首先，我们需要下载整个apis-guru数据库：https://apis.guru/。

你会注意到，大多数apis-guru规范都是Swagger 2.0格式。但是，OpenAPI规范的最新版本是OpenAPI 3.0。

因此，让我们使用Unmock脚本将整个数据集转换为这种格式！你可以按照Unmock openapi脚本的README文件中的说明完成此操作：https://github.com/meeshkan/unmock-openapi-scripts/blob/master/README.md。

这可能需要一段时间，最后，你将得到一个大数据集。

2.下载词汇表

code2vec

1. 从code2vec GitHub页面下载模型，按照快速入门部分中的说明进行操作。
2. 使用gensim库加载。

model = word2vec.load_word2vec_format(vectors_text_path, binary=False)

GloVe

1. 从网站下载一个GloVe词汇表。我们选了最大的一个，因为这样它就更有可能找到我们所有的单词。你可以选择下载它的位置，但为了方便起见，最好将其存储在工作目录中。
2. 手动加载GloVe词汇表。

embeddings_dict = {}with open("../glove/glove.6B.300d.txt", 'r', encoding="utf-8") as f:    for line in f:        values = line.split()        word = values[0]        vector = np.asarray(values[1:], "float32")        embeddings_dict[word] = vector

spaCy

加载spaCy的词汇表：

nlp = spacy.load(‘en_core_web_lg’).

3.提取字段名

OpenAPI规范名称的整个列表可以从scripts/fetch-list.sh文件或使用以下函数(对于Windows)获取：

def getListOfFiles(dirName):    listOfFile = os.listdir(dirName)    allFiles = list()    for entry in listOfFile:        fullPath = posixpath.join(dirName, entry)        if posixpath.isdir(fullPath):            allFiles = allFiles + getListOfFiles(fullPath)        else:            allFiles.append(fullPath)    return allFiles

另一个大问题是从我们的OpenAPI规范中获取字段名。为此，我们将使用openapi-typed库。让我们定义一个get_fields函数，该函数接受OpenAPI规范并返回字段名列表：

def get_fields_from_schema(o: Schema) -> Sequence[str]:    return [        *(o['properties'].keys() if ('properties' in o) and (type(o['properties']) == type({})) else []),        *(sum([            get_fields_from_schema(schema) for schema in o['properties'].values() if not ('$ref' in schema) and type(schema) == type({})], []) if ('properties' in o) and ($        *(get_fields_from_schema(o['additionalProperties']) if ('additionalProperties' in o) and (type(o['additionalProperties']) == type({})) else []),        *(get_fields_from_schema(o['items']) if ('items' in o) and  (type(o['items'] == type({}))) else []),    ]def get_fields_from_schemas(o: Mapping[str, Union[Schema, Reference]]) -> Sequence[str]:    return sum([get_fields_from_schema(cast(Schema, maybe_schema)) for maybe_schema in o.values() if not ('$ref' in maybe_schema) and (type(maybe_schema) == type({}))], [])def get_fields_from_components(o: Components) -> Sequence[str]:    return [        *(get_fields_from_schemas(o['schemas']) if 'schemas' in o else []),            ]                                                                                                                                                                       def get_fields(o: OpenAPIObject) -> Sequence[str]:    return [        *(get_fields_from_components(o['components']) if 'components' in o else []),    ]

恭喜！现在我们的数据集准备好了。

4.标识化

字段名可能包含标点符号，如_和-符号，或大小写为驼峰的单词。我们可以把这些单词切分，称为标识。

下面的camel_case函数检查驼峰命名。首先，它检查是否有标点符号。如果是，那就不是驼峰命名。然后，它检查单词内部是否有大写字母(不包括第一个和最后一个字符)。

def camel_case(example):          if  any(x in example for x  in string.punctuation)==True:        return False    else:        if any(list(map(str.isupper, example[1:-1])))==True:            return True        else:            return False

下一个函数camel_case_split将驼峰单词拆分为多个部分。为此，我们应该识别大写字母并标记大小写更改的位置。函数返回拆分后的单词列表。例如，字段名BodyAsJson转换为一个列表['Body'，'As'，'Json']。

def camel_case_split(word):    idx = list(map(str.isupper, word))    case_change = [0]    for (i, (x, y)) in enumerate(zip(idx, idx[1:])):        if x and not y:              case_change.append(i)        elif not x and y:              case_change.append(i+1)    case_change.append(len(word))    return [word[x:y] for x, y in zip(case_change, case_change[1:]) if x < y]

这个camel_case_split函数随后用于以下标记化算法。在这里，我们首先检查单词中是否有标点符号。然后，我们把这个词分成几部分。这些词有可能是驼峰词。如果是这样的话，我们可以把它分成小块。最后，拆分每个元素后，整个列表将转换为小写。

def tokenizer(mylist):    tokenized_list=[]    for word in mylist:        if '_'  in word:            splitted_word=word.split('_')            for elem in splitted_word:                if camel_case(elem):                    elem=camel_case_split(elem)                    for el1 in elem:                        tokenized_list.append(el1.lower())                else:                        tokenized_list.append(elem.lower())        elif '-' in word:            hyp_word=word.split('-')            for i in hyp_word:                if camel_case(i):                    i=camel_case_split(i)                    for el2 in i:                        tokenized_list.append(el2.lower())                else:                     tokenized_list.append(i.lower())        elif camel_case(word):            word=camel_case_split(word)            for el in word:                tokenized_list.append(el.lower())        else:            tokenized_list.append(word.lower())    return(tokenized_list)tokenizer(my_word)

5.创建字段名的数据集

现在，让我们用所有规范中的字段名创建一个大数据集。

下面的dict_dataset函数获取文件名和路径的列表，并打开每个规范文件。对于每个文件，get_field函数返回字段名的列表。某些字段名称可能在一个规范中重复。为了避免这种重复，让我们使用list(dict.fromkeys(col))将列表中的字段名列表转换为字典，然后再返回。然后我们可以将列表标识化。最后，我们创建一个以文件名为键，以字段名列表为值的字典。

def dict_dataset(datasets):    dataset_dict={}    for i in datasets:        with open(i, 'r') as foo:            col=algo.get_fields(yaml.safe_load(foo.read()))            if col:                mylist = list(dict.fromkeys(col))                tokenized_list=tokenizer(mylist)                dataset_dict.update({i: tokenized_list})            else:                continue    return (dataset_dict)

6.测试嵌入

code2vec和GloVe

现在我们可以找出词汇表外的单词(未识别的单词)并计算这些单词在code2vec词汇表中所占的百分比。以下代码也适用于GloVe。

not_identified_c2v=[]count_not_indent=[]total_number=[]for ds in test1:    count=0    for i in data[ds]:        if not i in model:            not_identified_c2v.append(i)            count+=1    count_not_indent.append(count)    total_number.append(len(data[ds]))total_code2vec=sum(count_not_indent)/sum(total_number)*100

spaCy

spaCy词汇表不同，因此我们需要相应地修改代码：

not_identified_sp=[]count_not_indent=[]total_number=[]for ds in test1:    count=0    for i in data[ds]:        f not i in nlp.vocab:                count+=1                not_identified_sp.append(i)    count_not_indent.append(count)    total_number.append(len(data[ds]))total_spacy=sum(count_not_indent)/sum(total_number)*100

对于code2vec、glow和spaCy，未识别单词的百分比分别为3.39、2.33和2.09。由于每个算法的百分比相对较小且相似，因此我们可以进行另一个测试。

首先，让我们创建一个测试字典，其中的单词应该在所有API规范中都是相似的：

test_dictionary={'host': 'server','pragma': 'cache','id': 'uuid','user': 'client','limit': 'control','balance': 'amount','published': 'date','limit': 'dailylimit','ratelimit': 'rate','start': 'display','data': 'categories'}

对于GloVe和code2vec，我们可以使用gensim库提供的similar_by_vector方法。spaCy还没有实现这个方法，但是通过这个我们可以自己找到最相似的单词。

为此，我们需要格式化输入向量，以便在距离函数中使用。我们将在字典中创建每个键，并检查对应的值是否在100个最相似的单词中。

首先，我们将格式化词汇表以便使用distance.cdist函数。这个函数计算词汇表中每对向量之间的距离。然后，我们将从最小距离到最大距离对列表进行排序，并取前100个单词。

from scipy.spatial import distancefor k, v in test_dictionary.items():    input_word = k    p = np.array([nlp.vocab[input_word].vector])    closest_index = distance.cdist(p, vectors)[0].argsort()[::-1][-100:]    word_id = [ids[closest_ind] for closest_ind in closest_index]    output_word = [nlp.vocab[i].text for i in word_id]    #output_word    list1=[j.lower() for j in output_word]    mylist = list(dict.fromkeys(list1))[:50]    count=0    if test_dictionary[k] in mylist:        count+=1        print(k,count, 'yes')    else:        print(k, 'no')

下表总结了结果。spaCy显示单词“client”位于单词“user”的前100个最相似的单词中。它对几乎所有的OpenAPI规范都是有用的，并且可以用于将来OpenAPI规范相似性的分析。单词“balance”的向量接近单词“amount”的向量。我们发现它对支付API特别有用。

结论

我们已经为OpenAPI规范尝试了三种不同的词嵌入算法。尽管这三个词在这个数据集上都表现得很好，但是对最相似的单词进行额外的比较表明spaCy对我们的情况更好。

spaCy比其他算法更快。spaCy词汇表的读取速度比glow或code2vec词汇表快5倍。然而，在使用该算法时，缺少内置函数(如similar_by_vector和similar_word)是一个障碍。

另外，spaCy与我们的数据集很好地工作，这并不意味着spaCy对世界上的每个数据集都会更好。所以，请随意尝试为你自己的数据集嵌入不同的单。