词向量入门

词向量

one hot 编码

在自然语言处理中，为了将自然语言转化为计算机所能识别的语言，就要对它重新编码，起初使用one hot编码。

一共能产生14901维。

问题：占用太大空间，词和词之间的相识度无法体现。也就是所说的稀疏化。

one hot代码如下：

from sklearn.preprocessing import OneHotEncoder
# lables = ['ni','号','ni','meimei']
lables = [0,1,0,4]
lables = np.array(lables).reshape(len(lables),-1)
enc =   OneHotEncoder()
enc.fit(lables)
target = enc.transform(lables).toarray()

print(target)

词向量编码思想

我们需要将上面的one hot 编码转化为如图所示的编码：

主要有两种假说，今天我们只谈当今的主流思想： Distributed models

Word2Vec

Word2vec 是代码项目的名字，只是计算词嵌入（word embedding）的一个工具，是CBOW和Skip-Gram这两个模型的合体，目前这套工具完全开源。

CBOW是利用词的上下文预测当前的单词；而Skip-Gram则是利用当前词来预测上下文。

Word2Vec代码

# 训练模型定义
from gensim.models import Word2Vec
model = Word2Vec(sentences, sg=1, size=100,  window=5,  min_count=5,  negative=3, sample=0.001, hs=1, workers=4)

# 训练后的模型保存与加载
model.save("model_name")

# 加载模型
model = Word2Vec.load("model_name")

# 模型的使用

#词向量加减
model.most_similar(positive=['woman', 'king'], negative=['man'])
#输出[('queen', 0.50882536), ...]
    
# 寻找指定词语最相似的词语
print model.most_similar('morning', topn=1)


model.doesnt_match("breakfast cereal dinner lunch".split())
#输出'cereal'
 
# 计算词语的相似度
model.similarity('woman', 'man')
#输出0.73723527
 
model['computer']  # raw numpy vector of a word
#输出array([-0.00449447, -0.00310097,  0.02421786, ...], dtype=float32)

Word2Vec参数描述：

1.sg=1是skip-gram算法，对低频词敏感；默认sg=0为CBOW算法。

2.size是输出词向量的维数，值太小会导致词映射因为冲突而影响结果，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间。

3.window是句子中当前词与目标词之间的最大距离，3表示在目标词前看3-b个词，后面看b个词（b在0-3之间随机）。

4.min_count是对词进行过滤，频率小于min-count的单词则会被忽视，默认值为5。

5.negative和sample可根据训练结果进行微调，sample表示更高频率的词被随机下采样到所设置的阈值，默认值为1e-3。

6.hs=1表示层级softmax将会被使用，默认hs=0且negative不为0，则负采样将会被选择使用。

7.workers控制训练的并行，此参数只有在安装了Cpython后才有效，否则只能使用单核。

Embedding

Word2Vec中从输入到隐层的过程就是Embedding的过程。 Embedding的过程就是把多维的onehot进行降维的过程，是个深度学习的过程。满足：

1. 嵌入层向量长度可设置
2. 映射过程是全连接
3. 嵌入层的值可训练
4. 由高维度映射到低纬度，减少参数量

参考博客：Word2VecEmbeddingSkip-gram的原理负采样