一篇看懂词向量

为什么需要词向量？

众所周知，不管是机器学习还是深度学习本质上都是对数字的数字，Word Embedding(词嵌入)做的事情就是将单词映射到向量空间里，并用向量来表示

一个简单的对比

• One-hot Vector

对应的词所在的位置设为1，其他为0；

例如：King, Queen, Man and Woman这句里面Queen对应的向量就是\([0,1,0,0]\)

不足：难以发现词之间的关系，以及难以捕捉句法（结构）和语义（意思）之间的关系

• Word2Vec

基本思想是把每个词表征为\(K\)维的实数向量（每个实数都对应着一个特征，可以是和其他单词之间的联系），将相似的单词分组映射到向量空间的不同部分。也就是Word2Vec能在没有人为干涉下学习到单词之间的关系。

举个最经典的例子：

king- man + woman = queen

实际上的处理是：从king提取了maleness的含义，加上了woman具有的femaleness的意思，最后答案就是queen.

借助表格来理解就是：

	animal	pet
dog	-0.4	0.02
lion	0.2	0.35

比如，animal那一列表示的就是左边的词与animal这个概念的相关性

---

两个重要模型

• 原理：拥有差不多上下文的两个单词的意思往往是相近的

• Continuous Bag-of-Words(CBOW)

  • 功能：通过上下文预测当前词出现的概率

  • BOW的思想：\(v(“a b c”)=1/3( v(“a”) + v(“b”) + v(“c”) )\)

  • 原理分析

    假设文本如下：“the florid prose of the nineteenth century.”

    想象有个滑动窗口，中间的词是关键词，两边为相等长度（m，是超参数）的文本来帮助分析。文本的长度为7，就得到了7个one-hot向量，作为神经网络的输入向量，训练目标是：最大化在给定前后文本7情况下输出正确关键词的概率，比如给定("prose","of","nineteenth","century")的情况下，要最大化输出"the"的概率，用公式表示就是\(P("the"|("prose","of","nineteenth","century"))\)

  • 特性

    • hidden layer只是将权重求和，传递到下一层，是线性的

• Skip-gram

• 功能：根据当前词预测上下文

• 原理分析

  • 和CBOW相反，则我们要求的概率就变为\(P(Context(w)|w)\)
  • 以上面的句子为例，数据集的构成\(，(input，output)\)就是\((the, prose), (the, of), (the,nineteenth), (the, century)\)

• 损失函数

  • 如果假设当前词为\(w\)，那么可以写成\(P(w_{t+j}|w_t)(-m<=j<=m,j\ne0)\)，每个词都会有一个概率，训练的目标就是最大化这些概率的乘积
  • 也就是：\(L(\theta )=\prod_{(-m\leq j\leq m,j\neq0)}P(w_{t+j}|w_t;\theta)\)，表示准确度，要最大化
  • 在概率中也经常有：\(J(\theta)=-\frac{1}{T}logL(\theta)=-\frac{1}{T}\sum^T_{t=1} \sum log(P(w_{t+j}|w_t;\theta))\)，加个负号就改成最小
  • 概率示意\(P(o|c)=\frac{exp(u_o^Tv_c)}{\sum^v_{w=1}exp(u_w^Tv_c)}\)
    • \(v_c\)：当\(c\)为中心词时用\(v\)
    • \(u_c\)：当\(c\)在\(Context\)里时用\(u\)

• 优点

  • 在数据集比较大的时候结果更准确

• 不足

  • 词的顺序不重要，并没有考虑到中文的语法
  • 一词多义：比如tie的意思有很多个，要如何聚类，可以分出tie-1，tie-2等

代码

from nltk.tokenize import sent_tokenize, word_tokenize
import warnings
import requests

warnings.filterwarnings(action='ignore')

import gensim
from gensim.models import Word2Vec

#爬取alice.txt文档
sample = requests.get("http://www.gutenberg.org/files/11/11-0.txt")
s = sample.text

#将换行符变为空格
f = s.replace("\n", " ")

data = []   #存储的是单词表

#迭代文本中的每一句话
for i in sent_tokenize(f):
    temp = []

    #将句子进行分词
    for j in word_tokenize(i):
        temp.append(j.lower())  #存储的的时候全变为小写

    data.append(temp)

#创建CBOW模型
model1 = gensim.models.Word2Vec(data, min_count=1,size=200, window=7)   #忽略出现次数小于1的词，size是每个单词的词向量的维度

#输出结果
print("Cosine similarity between 'alice' " + "and 'wonderland' - CBOW : ", model1.similarity('alice', 'wonderland'))    #计算两个单词之间的余弦距离，返回相似度

print("Cosine similarity between 'alice' " + "and 'machines' - CBOW : ", model1.similarity('alice', 'machines'))

#创建Skip-Gram模型
model2 = gensim.models.Word2Vec(data, min_count=1, size=200, window=7, sg=1)    #sg=1说明使用的是Skip-gram模型

#输入结果
print("Cosine similarity between 'alice' " + "and 'wonderland' - Skip Gram : ", model2.similarity('alice', 'wonderland'))

print("Cosine similarity between 'alice' " + "and 'machines' - Skip Gram : ", model2.similarity('alice', 'machines'))