代码实现: https://github.com/zhangxiann/Skip-gram
这是我用于学习 Skip-gram 的笔记。
文中会有一些公式,如果 github 出现公式乱码问题,请通过我的博客查看:https://zhuanlan.zhihu.com/p/275899732。
下面废话不多说,教你手把手实现 Skip-gram。
CBOW 和 Skip-gram 是两种训练得到词向量的方法。其中 CBOW 是从上下文字词推测目标字词,而 Skip-gram 则是从目标字词推测上下文的字词。在大型数据集上,CBOW 比 Skip-gram 效果好;但是在小的数据集上,Skip-gram 比 CBOW 效果好。本文使用 PyTorch 来实现 Skip-gram 模型,主要的论文是:Distributed Representations of Words and Phrases and their Compositionality
以“the quick brown fox jumped over the lazy dog”这句话为例,我们要构造一个上下文单词与目标单词的映射关系,以quick
为目标单词,假设滑动窗口大小为 1,也就是左边和右边各取 1 个单词作为上下文,这里是the
和brown
,可以构造映射关系:(the, quick),(brown, quick),这样我们就构造出两个正样本。
此外,对于这个滑动窗口外的其他单词,我们需要构造负样本,但是负样本可以是滑动窗口之外的所有单词。为了减少训练的时间,我们对负样本进行采样 k 个,称为 Negative Sampling。如 k=2,就是对每个正样本,分别构造两个负样本;例如对于(the, quick)
,采样两个负样本 (lazy , quick),(dog, quick)。Negative Sampling 的损失函数表示如下:
我们先导入需要的库
import collections
import os
import random
import zipfile
import numpy as np
import urllib
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.utils.data as tud
定义全局变量和参数
#参数设置
EMBEDDING_DIM = 128 #词向量维度
PRINT_EVERY = 100 #可视化频率
EPOCHES = 1000 #训练的轮数
BATCH_SIZE = 5 #每一批训练数据大小
N_SAMPLES = 3 #负样本大小
WINDOW_SIZE = 5 #周边词窗口大小
FREQ = 5 #词汇出现频数的阈值
DELETE_WORDS = False #是否删除部分高频词
VOCABULARY_SIZE = 50000
定义下载文本数据的函数。
Skip-gram 损失函数就是对数损失函数,数据来源于http://mattmahoney.net/dc/text8.zip,并核对文件大小,如果已经下载了,则跳过。
url='http://mattmahoney.net/dc/'
def maybe_download(filename, expected_bytes):
if not os.path.exists(filename):
filename, _ = urllib.request.urlretrieve(url+filename, filename)
statinfo = os.stat(filename)
if statinfo.st_size == expected_bytes:
print('Found and verified', filename)
else:
print(statinfo.st_size)
raise Exception('Failed to verify '+filename+'. Can you get to it with a browser?')
return filename
filename=maybe_download('text8.zip', 31344016)
接下来解压下载的文件,并读取里面的句子每个单词,使用str()
函数把每个单词从bytes
转换为str
。
def read_data(filename):
with zipfile.ZipFile(filename) as f:
# 读取出来的每个单词是 bytes
data=f.read(f.namelist()[0]).split()
# 把 bytes 转换为 str
#data= [str(x, encoding = "utf8") for x in data]
data = list(map(lambda x: str(x, encoding = "utf8"), data))
return data
words=read_data(filename)
print('Data size', len(words))
这里可以使用for
循环列表表达式来转换:data= [str(x, encoding = "utf8") for x in data]
,也可以使用list(map(lambda))
表达式来转换:data = list(map(lambda x: str(x, encoding = "utf8"), data))
。
如果不了解map
、lambda
等用法的同学,请参考python 中 lambda,map,filter 函数。
接下来创建 vocabulary 词汇表,使用collections.Counter
统计单词列表中单词的频数,然后使用most_common
方法取出前 50000 个频数最多的单词作为 vocabulary。再创建一个 dict,将单词放入 dict 中,然后把单词转换为编号表示,把 50000 词汇之外的单词设为 UNK(unkown),编号为 0,并统计 UNK 的数量。有的资料还会去掉低频词,如频次少于 5 的单词会被删除,然后再进行接下来的操作,这里省略这一步。
words=read_data(filename)
print('Data size', len(words))
# 取出频数前 50000 的单词
counts_dict = dict((collections.Counter(words).most_common(VOCABULARY_SIZE-1)))
# 去掉频数小于 FREQ 的单词
# trimmed_words = [word for word in words if counts_dict[word] > FREQ]
# 计算 UNK 的频数 = 单词总数 - 前 50000 个单词的频数之和
counts_dict['UNK']=len(words)-np.sum(list(counts_dict.values()))
接着建立单词和数字的对应关系,因为我们最终输入到网络的不能是单词的字符串,而是单词对应的编号。
#建立词和索引的对应
idx_to_word = []
for word in counts_dict.keys():
idx_to_word.append(word)
word_to_idx = {word:i for i,word in enumerate(idx_to_word)}
另一种更加简洁的写法是:
#建立词和索引的对应
idx_to_word = [word for word in counts_dict.keys()]
word_to_idx = {word:i for i,word in enumerate(idx_to_word)}
然后把单词列表转换为编号的列表
# 把单词列表转换为编号的列表
data=list()
for word in words:
if word in word_to_idx:
index = word_to_idx[word]
else:
index=word_to_idx['UNK']
data.append(index)
或者直接使用列表生成式,更加简洁:
data = [word_to_idx.get(word,word_to_idx["UNK"]) for word in words]
在文本中,如the
、a
等词出现频率很高,但是对训练词向量没有太大帮助,为了平衡常见词和少见的词之间的频次,论文中以一定概率丢弃单词,计算公式如下:
# 计算单词频次
total_count = len(data)
word_freqs = {w: c/total_count for w, c in counts_dict.items()}
# 以一定概率去除出现频次高的词汇
if DELETE_WORDS:
t = 1e-5
prob_drop = {w: 1-np.sqrt(t/word_freqs[w]) for w in data}
data = [w for w in data if random.random()<(1-prob_drop[w])]
else:
data = data
在负采样时,按照频率来采样单词会导致某些单词次数过多,而少见的单词采样次数过少。论文将词频按照如下公式转换:
#计算词频,按照原论文转换为3/4次方
word_counts = np.array([count for count in counts_dict.values()],dtype=np.float32)
word_freqs = word_counts/np.sum(word_counts)
word_freqs = word_freqs ** (3./4.)
word_freqs = word_freqs / np.sum(word_freqs)
下面创建 Dataset,把数据和转换后的词频作为参数传入。在__getitem__()
中,idx
是当前的目标单词,根据滑动窗口的大小WINDOW_SIZE
,取前WINDOW_SIZE
个词和后WINDOW_SIZE
个词作为上下文单词。对于每个正样本,采样N_SAMPLES
个负样本,所以总共采样N_SAMPLES * pos_words.shape[0]
个负样本。这里根据word_freqs
词频,使用torch.multinomial()
来采样。由于word_freqs
的顺序和idx_to_word
的顺序是一样的,因此负采样得到索引就是对应单词的编号。
# DataLoader自动帮忙生成batch
class WordEmbeddingDataset(tud.Dataset):
def __init__(self, data, word_freqs):
super(WordEmbeddingDataset, self).__init__()
self.data = torch.Tensor(data).long() # 解码为词表中的索引
self.word_freqs = torch.Tensor(word_freqs) # 词频率
def __len__(self):
# 共有多少个item
return len(self.data)
def __getitem__(self, idx):
# 根据idx返回
center_word = self.data[idx] # 找到中心词
pos_indices = list(range(idx - WINDOW_SIZE, idx)) + list(
range(idx + 1, idx + WINDOW_SIZE + 1)) # 中心词前后各C个词作为正样本
pos_indices = list(filter(lambda i: i >= 0 and i < len(self.data), pos_indices)) # 过滤,如果索引超出范围,则丢弃
pos_words = self.data[pos_indices] # 周围单词
# 根据 变换后的词频选择 K * 2 * C 个负样本,True 表示可重复采样
neg_words = torch.multinomial(self.word_freqs, N_SAMPLES * pos_words.shape[0], True)
return center_word, pos_words, neg_words
这里
torch.multinomial()
定义如下:
torch.multinomial(input, num_samples,replacement=False, out=None)
主要参数:
- input:权重或者采样权重矩阵,元素权重越大,采样概率越大
- num_samples:采样次数
- replacement:是否可以重复采样
input 可以看成一个采样概率矩阵,每一个元素代表其在该行中的采样概率。对 input 的每一行做 n_samples 次取值,输出的张量是 n_samples 次采样得到的元素的索引(下标)。
例子:
import torch
weights = torch.Tensor([[0,10,3,0],
[10,3,0,0],
[3,0,0,10]])
result = torch.multinomial(weights, 10,replacement=True)
print(result)
输出如下:
tensor([[1, 1, 1, 2, 2, 1, 1, 1, 1, 1],
[1, 0, 0, 0, 0, 0, 0, 0, 0, 0],
[3, 3, 3, 3, 0, 3, 3, 3, 0, 3]])
下面定义网络,定义两个Embedding
层,一个用于映射目标单词,另一个用于映射上下文单词和负样本单词。Embedding
层的输入维度是 vocabulary_size,输出维度是词向量的长度。input_embedding
是经过Embedding
层得到的目标单词向量,形状是[batch_size,embed_size]
,pos_embedding
是经过Embedding
层得到的上下文单词向量,维度是[batch_size, K,embed_size]
,其中
input_embedding
的形状扩充为
[batch_size, embed_size, 1]
。对于
pos_embedding
中的每个词向量,分别和
input_embedding
做内积。可以使用
torch.bmm()
方法来实现一个 batch 的向量的相乘。
torch.bmm()
方法定义如下:
torch.bmm(input, mat2, deterministic=False, out=None)
参数:
- input:形状是
[batch_size, n,m]
- mat2:形状是
[batch_size, m,p]
其中input
和mat2
的batch_size
要相等,对于其中每个元素执行矩阵乘法,
最终得到的输出的形状是[batch_size, n,p]
。
在这里,input_embedding
的形状扩充为[batch_size, embed_size, 1]
,pos_embedding
的形状是[batch_size, K,embed_size]
,torch.bmm(pos_embedding, input_embedding)
的结果维度是[batch_size, K, 1]
。可以使用unsqueeze()
或者view()
方法来扩充维度。
input_embedding
与neg_embedding
的计算也是同理。代码如下:
# 构造一个神经网络,输入词语,输出词向量
class EmbeddingModel(nn.Module):
def __init__(self, vocab_size, embed_size):
super(EmbeddingModel, self).__init__()
self.vocab_size = vocab_size
self.embed_size = embed_size
initrange = 0.5 / self.embed_size
self.out_embed = nn.Embedding(self.vocab_size, self.embed_size, sparse=False)
# 模型输出nn.Embedding(30000, 100)
self.out_embed.weight.data.uniform_(-initrange, initrange) # 权重初始化的一种方法
self.in_embed = nn.Embedding(self.vocab_size, self.embed_size, sparse=False)
# 模型输入nn.Embedding(30000, 100)
self.in_embed.weight.data.uniform_(-initrange, initrange)
# 权重初始化的一种方法
def forward(self, input_labels, pos_labels, neg_labels):
# input_labels:[batch_size]
# pos_labels:[batch_size, windows_size*2]
# neg_labels:[batch_size, windows_size * N_SAMPLES]
input_embedding = self.in_embed(input_labels) # [batch_size, embed_size]
pos_embedding = self.out_embed(pos_labels) # [batch_size, windows_size * 2, embed_size]
neg_embedding = self.out_embed(neg_labels) # [batch_size, (windows_size * 2 * K), embed_size]
# 向量乘法
input_embedding = input_embedding.unsqueeze(2) # [batch_size, embed_size, 1],新增一个维度用于向量乘法
# input_embedding = input_embedding.view(BATCH_SIZE, EMBEDDING_DIM, 1)
pos_dot = torch.bmm(pos_embedding, input_embedding).squeeze(2) # [batch_size, windows_size * 2] 只保留前两维
neg_dot = torch.bmm(neg_embedding.neg(), input_embedding).squeeze(2) # [batch_size, windows_size * 2 * K] 只保留前两维
log_pos = F.logsigmoid(pos_dot).sum(1) # 按照公式计算
log_neg = F.logsigmoid(neg_dot).sum(1)
loss = -(log_pos + log_neg) # [batch_size]
return loss
def input_embeddings(self):
##取出self.in_embed数据参数
return self.in_embed.weight.data.cpu().numpy()
定义模型和优化器,开始迭代训练:
# 构造 dataset 和 dataloader
dataset = WordEmbeddingDataset(data, word_freqs)
dataloader = tud.DataLoader(dataset, batch_size=BATCH_SIZE, shuffle=True)
# 定义一个模型
model = EmbeddingModel(VOCABULARY_SIZE, EMBEDDING_DIM)
# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
for epoch in range(EPOCHES):
for i, (input_labels, pos_labels, neg_labels) in enumerate(dataloader):
input_labels = input_labels.long() # 全部转为LongTensor
pos_labels = pos_labels.long()
neg_labels = neg_labels.long()
optimizer.zero_grad() # 梯度归零
loss = model(input_labels, pos_labels, neg_labels).mean()
loss.backward()
optimizer.step()
if i % 100 == 0:
print("epoch", epoch, "loss", loss.item())
embedding_weights = model.input_embeddings()
np.save("embedding-{}".format(EMBEDDING_DIM), embedding_weights)
torch.save(model.state_dict(), "embedding-{}.th".format(EMBEDDING_DIM))
有一个问题是:如果在 Dataset 的__getitem__()
函数中,由于pos_indices = list(filter(lambda i: i>=0 and i< len(self.data), pos_indices))
可能会造成数据的size < WINDOW_SIZE*2
,这时可能会导致 DataLoader 无法将一个 Batch 的数据堆叠起来,会报错。有 3 种处理方法
- 可以改为
pos_indices = [i % len(self.data) for i in pos_indices]
,对下标取余,以防超过文档范围 - 使用自定义
collate_fn
函数来处理这种情况。 - 或者不使用 PyTorch 的
Dataset
,而是手动生成每个 Batch 的数据。有兴趣的读者可以参考用 Pytorch 实现 skipgram。
代码:https://github.com/xiechuanyu/Skip-gram
参考
- Skip-Gram 负采样的 Pytorch 实现
- 用 Pytorch 实现 skipgram
- Tensorflow 实战(黄文坚): Tensorflow 实现 Word2Vec
- python 中 lambda,map,filter 函数
如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。
我的文章会首发在公众号上,欢迎扫码关注我的公众号张贤同学。
![2935408f526deb704e7ce067fdae055f.png](https://i-blog.csdnimg.cn/blog_migrate/f36bb7faff68bf04d0ae0a194332f702.jpeg)