Word2Vec原理及代码 / 憋错料

一、分布式词表示（Distributed Represantation）

　　Word2Vec 是 Google 于 2013 年开源推出的一个用于获取 word vector 的工具包，具体思想可由Tomas Mikolov的两篇论文一探究竟。此文是我对Word2Vec学习的总结。分布式词表示使用低维、稠密、连续的向量来表示词。它们通过“有指导”的方法直接学习词向量，也称为词嵌入（Word Embedding）。它的发展历程由最初的LSA、LDA、NNLM发展到后来的诸如RNNLM、Word2Vec、GloVe，以及现在最新的ELMo和BERT。

　　我们知道，最简单的一种词表示方式是One-Hot表示，它的优点是很容易表示出不同的词，但是缺点也是巨大的：一、所有词向量正交，即无法找到词与词之间的关系。二、当有非常大的数据量时，向量的维度会因此扩大而造成维度灾难。如下所示，如果用One-Hot方式来表示自然界生物，自然界的动物种类数以百万记，基本不可能用这种方式来表示动物类别，并且也无法表示诸如鲤鱼吃河虾，老虎吃天鹅，鳄鱼和天鹅都会下蛋的关系。

　　　　鳄鱼 [1,0,0,0,0,0,……,0,0,0,0,0,0,0]

　　　　天鹅 [0,1,0,0,0,0,……,0,0,0,0,0,0,0]

　　　　鲤鱼 [0,0,0,0,1,0,……,0,0,0,0,0,0,0]

　　　　河虾 [0,0,0,0,0,0,……,1,0,0,0,0,0,0]

　　　　…

　　 老虎 [0,0,0,0,0,0,……,0,0,0,0,0,0,1]

　　分布式词则可以用较低维度的矩阵去表示一个词，并且“赋予”矩阵各行列有各自的意义，词与词之间的相似度也可以通过矩阵运算来求得。

二、CBOW与skip-gram的区别

　　CBOW全称Continuous Bag-of-Words Model，Skip-Gram全称Continuous skip-gram Model。两者是Word2Vec里重要的模型，CBOW模型的训练输入是某一个特征词的上下文相关的词对应的词向量，而输出就是这特定的一个词的词向量。Skip-Gram模型和CBOW的思路是反着来的，即输入是特定的一个词的词向量，而输出是特定词对应的上下文词向量。这两种模型都包含三层，输入层、投影层、输出层：

由上图可见，CBOW是在已知当前词 wt 的上下文 wt-2,wt-1,wt+1,wt+2 的前提下预测当前词wt；而Skip-gram则是已知当前词 wt 的前提下，去预测 wt-2,wt-1,wt+1,wt+2 。

三、Hierarchical Softmax框架与Negative Sampling框架

　　Hierarchical Softmax 和 Negative Sampling是Word2Vec设计的两种实现框架。Hierachical Softmax的基本思想是：它把训练语料中的词当成叶子节点，其在语料中出现的次数当做权值，通对于词典Dictionary中的任意词 w，Huffman 树中必存在一条从根节点到词 w 对应结点的路径，由此每个词对应一个Huffman编码。而 Negative Sampling 不再使用复杂的 Huffman树，而是采用随机负采样，可以减少训练时间和大幅度提高性能。

　　何为负采样算法呢？训练一个神经网络，样本只要有所改变（添加、修改、删除）就需要稍微调整所有的神经网络权重，这样才能确保训练结果的准确性。如果有一个巨大数据集，一个样本的改变都会改变神经网络的权重，代价是高昂的。而负采样的好处是，每一个训练样本仅仅改变一小部分的权重而不是所有的权重，解决了这个问题。比如，当我要进行对 ”ready“ 这个单词进行训练时，使用负采样，随机选择较少数目（小样本一般为5~20个，大样本为2~5个）的 ”负“ 样本进行权重更新，并且仍然为我们的 ”正“ 单词更新其对应的权重。词典 Dictionary 中的词在语料Corpus中出现的次数不同，那么对于高频词而言，被选为负样本的概率就应该比较大，而对于低频词，被选中的概率就应该小。

　　如果我们的输出层大约有 300 x 10,000 维度的权重矩阵，对 ”quick“ 一次进行权重更新，加上额外5个负样本的权重更新，一共是6个输出神经元，和1800个权重值。这些值，仅仅只占输出层 3,000,000 神经元中的 0.06%。

四、代码实现

　　此代码已上传github，点击此处查看。网上有很多关于Word2Vec的实现，本文最初参考此代码以及一些现成代码，在后边的参考文章中列举。

import collections
import math
import os
import random
import zipfile
import numpy as np
import urllib
import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE

# Step 1 : 准备数据文档

url = ‘http://mattmahoney.net/dc/‘

def download_check(filename, expected_bytes):
    """下载数据集，如果存在就确认跳过."""
    if not os.path.exists(filename):
        print(‘正在下载所需数据包 …‘)
        filename, _ = urllib.request.urlretrieve(url + filename, filename)
    statinfo = os.stat(filename)
    if statinfo.st_size == expected_bytes:
        print(‘确认为目标文件 ‘, filename)
    else:
        print(statinfo.st_size)
        raise Exception(
            ‘文件大小不对应 ‘ + filename + ‘请前往 http://mattmahoney.net/dc/text8.zip 获取数据集‘)
    return filename

filename = download_check(‘text8.zip‘, 31344016)

# Step 2 ： 解压文件

def read_data(filename):
    """读取zip的第一个文件并且分割单词为字符串数组"""
    with zipfile.ZipFile(filename) as f:
        data = tf.compat.as_str(f.read(f.namelist()[0])).split()
    return data

words = read_data(filename)
print(‘数据长度‘, len(words))

vocabulary_size = 50000

# Step 3 ： 准备数据集

def build_dataset(words):
    """在字典第一个位置插入一项“UNK"代表不能识别的单词，也就是未出现在字典的单词统一用UNK表示"""
#  [[‘UNK‘, -1], [‘i‘, 500], [‘the‘, 498], [‘man‘, 312], ...]
    count = [[‘UNK‘, -1]]
#  dictionary {‘UNK‘:0, ‘i‘:1, ‘the‘: 2, ‘man‘:3, ...} 收集所有单词词频
    count.extend(collections.Counter(words).most_common(vocabulary_size - 1))
#  python中K/V的一种数据结构"字典
    dictionary = dict()
    for word, _ in count:
        dictionary[word] = len(dictionary)
    data = list()
    unk_count = 0
    for word in words:
        if word in dictionary:
            index = dictionary[word]
        else:
            index = 0 # dictionary[‘UNK‘]
            unk_count += 1
        data.append(index)
    count[0][1] = unk_count
    reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))
    return data, count, dictionary, reverse_dictionary

data, count, dictionary, reverse_dictionary = build_dataset(words)

del words
print(‘词频最高的词‘, count[:5])
print(‘数据样例‘, data[:10], [reverse_dictionary[i] for i in data[:10]])

data_index = 0

# Step 4 : skip-gram

def generate_batch(batch_size, num_skips, skip_window):
    global data_index #global关键字 使data_index 可在其他函数中修改其值
    assert batch_size % num_skips == 0 #assert断言用于判断后者是否为true，如果返回值为假，处罚异常
    assert num_skips <= 2 * skip_window
    batch = np.ndarray(shape=(batch_size), dtype=np.int32) #ndarray对象用于存放多维数组
    labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32)
    span = 2 * skip_window + 1 # [ skip_window target skip_window]
    # 初始化最大长度为span的双端队列，超过最大长度后再添加数据，会从另一端删除容不下的数据
    # buffer: 1, 21, 124, 438, 11
    buffer = collections.deque(maxlen=span) #创建一个队列,模拟滑动窗口
    for _ in range(span):
        buffer.append(data[data_index])
        data_index = (data_index + 1) % len(data)
    for i in range(batch_size // num_skips): # // 是整数除
        # target : 2
        target = skip_window # target label at the center of the buffer
        # target_to_avoid : [2]
        targets_to_avoid = [ skip_window ] # 需要忽略的词在当前的span位置
        # 更新源单词为当前5个单词的中间单词
        source_word = buffer[skip_window]
        # 随机选择的5个span单词中除了源单词之外的4个单词中的两个
        for j in range(num_skips):
            while target in targets_to_avoid:
                target = random.randint(0, span - 1)
            targets_to_avoid.append(target) # 已经经过的target放入targets_to_avoid
            #batch中添加源单词
            batch[i * num_skips + j] = source_word
            #labels添加目标单词，单词来自随机选择的5个span单词中除了源单词之外的4个单词中的两个
            labels[i * num_skips + j, 0] = buffer[target]
        # 往双端队列中添加下一个单词，双端队列会自动将容不下的数据从另一端删除
        buffer.append(data[data_index])
        data_index = (data_index + 1) % len(data)
    return batch, labels

# Step 5 : 构建一个包含隐藏层的神经网络，隐藏层包含300节点，与我们要构造的WordEmbedding维度一致

batch, labels  = generate_batch(batch_size=8, num_skips=2, skip_window=1)
# 打印数据样例中的skip-gram样本
for i in range(8):
    print(‘(‘,batch[i], reverse_dictionary[batch[i]],
    ‘,‘, labels[i, 0], reverse_dictionary[labels[i, 0]],‘)‘)
"""
( 3081 originated , 12 as )
( 3081 originated , 5234 anarchism )
( 12 as , 6 a )
( 12 as , 3081 originated )
( 6 a , 12 as )
( 6 a , 195 term )
( 195 term , 6 a )
( 195 term , 2 of )
"""
batch_size = 128
embedding_size = 128 # Demension of the embedding vector
skip_window = 1      # How many words to consider left and right
num_skips = 2        # How many times to reuse an input to generate a label

valid_size = 16      # Random set of words to evaluate similarity on
valid_window = 100   # Only pick dev samples in the head of the distribution
valid_examples = np.random.choice(valid_window, valid_size, replace=False)
num_sampled = 64     # Number of negative examples to sample

graph = tf.Graph()
with graph.as_default():
    # 定义输入输出
    train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
    train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])
    valid_dataset = tf.constant(valid_examples, dtype=tf.int32)

    # 当缺少GPU时，用CPU来进行训练和操作变量
    with tf.device(‘/cpu:0‘):
        # 初始化embedding矩阵，后边经过多次训练后我们得到的结果就放在此embedding矩阵;
        # tf.Variable是图变量，tf.radom_uniform产生一个在[-1,1]间均匀分布的size为[vocabulary_size, embedding_size]的矩阵
        embeddings = tf.Variable(
            tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
        # 将输入序列转换成embedding表示, [batch_size, embedding_size]
        # tf.nn.embedding_lookup的作用就是找到要寻找的embedding data中的对应的行下的vector
        emded = tf.nn.embedding_lookup(embeddings, train_inputs)

        # 初始化权重，此处使用负例采样NCE loss损失函数
        # tf.truncated_normal(shape, mean, stddev) :shape表示生成张量的维度，mean是均值，stddev是标准差。这个函数产生正太分布，
        # 均值和标准差自己设定。这是一个截断的产生正太分布的函数，就是说产生正太分布的值如果与均值的差值大于两倍的标准差，那就重新生成。
        nce_weights = tf.Variable(
            tf.truncated_normal([vocabulary_size, embedding_size],
                                stddev=1.0 / math.sqrt(embedding_size)))
        nce_biases = tf.Variable(tf.zeros([vocabulary_size]))
    # Compute the average NCE loss for the batch
    # tf.nce_loss automatically draws a new sample of the negative labels each
    # time we evalute the loss
    loss =  tf.reduce_mean(
        tf.nn.nce_loss(weights = nce_weights,
                       biases = nce_biases,
                       labels = train_labels,
                       inputs = emded,
                       num_sampled = num_sampled,
                       num_classes = vocabulary_size ))
        # 使用1.0的速率来构造SGD优化器
    optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss)
        # 计算 minibatch 和 all embeddings的余弦相似度
        # tf.reduce_sum() 按照行的维度求和
    norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))
    normalized_embeddings = embeddings / norm
    valid_embeddings = tf.nn.embedding_lookup(normalized_embeddings, valid_dataset)
        # tf.matmul 矩阵相乘
    similarity = tf.matmul(valid_embeddings, normalized_embeddings, transpose_b=True)
        # 添加变量初始化程序
    init = tf.global_variables_initializer()

# Step 6 : 开始训练
# 训练次数
num_steps = 100001
    # tf.Session 用于运行TensorFlow操作的类
with tf.Session(graph=graph) as session:
    # 我们必须在使用之前初始化所有变量
    init.run()
    print("Initialized")
    average_loss = 0
    for step in range(num_steps):
        batch_inputs, batch_labels = generate_batch(
            batch_size, num_skips, skip_window)
        feed_dict = {train_inputs : batch_inputs, train_labels : batch_labels}
        # We perform one update step by evaluating the optimizer op( including it
        # in the list of returned values for session.run())
        _, loss_val = session.run([optimizer, loss], feed_dict=feed_dict)
        average_loss += loss_val
        if step % 2000 == 0:
            if step > 0:
                average_loss /= 2000
            #The average loss is an estimate of the loss over the last 2000 batches.
            print("Average loss at step", step, ": ", average_loss)
            average_loss = 0
        # Note that this is expensive ( ~20% slowdown if computed every 500 steps)
        if step % 10000 == 0:
            sim = similarity.eval()
            for i in range(valid_size):
                valid_word = reverse_dictionary[valid_examples[i]]
                top_k = 8 # number of nearest neighbors
                nearest = (-sim[i, : ]).argsort()[1:top_k+1]
                log_str = "与 %s 最接近的词是:" % valid_word
                for k in range(top_k):
                    close_word = reverse_dictionary[nearest[k]]
                    log_str = "%s %s," % (log_str, close_word)
                print(log_str)
    final_embeddings = normalized_embeddings.eval()

# Step 7 ： 绘制结果
def plot_with_labels(low_dim_embs, labels, filename=‘TSNE_result.png‘):
    assert low_dim_embs.shape[0] >= len(labels), "More labels than embeddings"
    plt.figure(figsize=(18, 18)) # in inches
    for i, label in enumerate(labels):
        x, y = low_dim_embs[i,:]
        plt.scatter(x, y)
        plt.annotate(label,
                    xy=(x, y),
                    xytext=(5, 2),
                    textcoords=‘offset points‘,
                    ha=‘right‘,
                    va=‘bottom‘)
    plt.savefig(filename)

# 使用T-SNE算法将128维降低到2维
tsne = TSNE(perplexity= 30, n_components = 2, init = ‘pca‘, n_iter = 5000, random_state = 1)
# 绘制点的个数
plot_only = 100
low_dim_embs = tsne.fit_transform(final_embeddings[: plot_only, :])
labels = [reverse_dictionary[i] for i in range(plot_only)]
plot_with_labels(low_dim_embs, labels)
plt.show()

五、训练结果