利用 TensorFlow 入门 Word2Vec

摘要：那么为什么要表示成向量呢这个问题我们后续讨论。所以，完整的模型是现在，我们可以训练这个模型在训练的过程中，你在控制台可以得到如下结果随着损失值的不断下降，最终会达到一个稳定值。为了得到这些表示，神经网络使用了上下文信息。

作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
简书地址：https://www.jianshu.com/p/4e1...

我认为学习算法的最好方法就是尝试去实现它，因此这个教程我们就来学习如何利用 TensorFlow 来实现词嵌入。

这篇文章我们不会去过多的介绍一些词向量的内容，所以很多 king - man - woman - queue 的例子会被省去，直接进入编码实践过程。

对于如何设计词嵌入有很多的技术，这里我们讨论一种非常有名的技术。与我们往常的认知不同，word2vec 并不是一个深层的网络，它只是一个三层的浅层网络。

注意：word2vec 有很多的技术细节，但是我们会跳过这些细节，来使得更加容易理解。

word2vec 算法的设计如下：

它是一个三层的网络（一个输入层 + 一个隐藏层 + 一个输出层）。

模型输入一个词，然后去预测它周围的词。

移除最后一层（输出层），保留输入层和隐藏层。

现在，输入一个词库中的词，然后隐藏层的输出就是输入词的词向量。

就是这么简单，这个三层网络就可以得到一个还不错的词向量。

接下来就让我们来实现这个模型。完整的代码可以点击 Github，但我建议你先不要看完整的代码，先一步一步学习。

接下来，我们先定义我们要处理的原始文本：

import numpy as np
import tensorflow as tf
corpus_raw = "He is the king . The king is royal . She is the royal  queen "

# convert to lower case
corpus_raw = corpus_raw.lower()

现在，我们需要将输入的原始文本数据转换成一个输入输出对，以便我们对输入的词，可以去预测它附近的词。比如，我们确定一个中心词， 窗口大小 window_size 设置为 n ，那么我们就是去预测中心词前面 n 个词和后面 n 个词。Chris McCormick 的这篇博客给出了比较详细的解释。

注意：如果中心词是在句子的开头或者末尾，那么我们就忽略窗口无法获得的词。

在做这个之前，我们需要创建一个字典，用来确定每个单词的索引，具体如下：

words = []
for word in corpus_raw.split():
    if word != ".": # because we don"t want to treat . as a word
        words.append(word)
words = set(words) # so that all duplicate words are removed
word2int = {}
int2word = {}
vocab_size = len(words) # gives the total number of unique words
for i,word in enumerate(words):
    word2int[word] = i
    int2word[i] = word

这个字典的运行结果如下：

print(word2int["queen"])
-> 42 (say)

print(int2word[42])
-> "queen"

接下来，我们将我们的句子向量转换成单词列表，如下：

# raw sentences is a list of sentences.
raw_sentences = corpus_raw.split(".")
sentences = []
for sentence in raw_sentences:
    sentences.append(sentence.split())

上面代码将帮助我们得到一个句子的列表，列表中的每一个元素是句子的单词列表，如下：

print(sentences)

-> [["he", "is", "the", "king"], ["the", "king", "is", "royal"], ["she", "is", "the", "royal", "queen"]]

接下来，我们要产生我们的训练数据：

data = []

WINDOW_SIZE = 2

for sentence in sentences:
    for word_index, word in enumerate(sentence):
        for nb_word in sentence[max(word_index - WINDOW_SIZE, 0) : min(word_index + WINDOW_SIZE, len(sentence)) + 1] : 
            if nb_word != word:
                data.append([word, nb_word])

这个程序给出了单词输入输出对，我们将窗口的大小设置为 2。

print(data)
[["he", "is"],
 ["he", "the"],
 ["is", "he"],
 ["is", "the"],
 ["is", "king"],
 ["the", "he"],
 ["the", "is"], 
.
.
.
]

至此，我们有了我们的训练数据，但是我们需要将它转换成计算机可以理解的表示，即数字。也就是我们之前设计的 word2int 字典。

我们再进一步表示，将这些数字转换成 0-1 向量。

i.e., 
say we have a vocabulary of 3 words : pen, pineapple, apple
where 
word2int["pen"] -> 0 -> [1 0 0]
word2int["pineapple"] -> 1 -> [0 1 0]
word2int["apple"] -> 2 -> [0 0 1]

那么为什么要表示成 0-1 向量呢？这个问题我们后续讨论。

# function to convert numbers to one hot vectors
def to_one_hot(data_point_index, vocab_size):
    temp = np.zeros(vocab_size)
    temp[data_point_index] = 1
    return temp
x_train = [] # input word
y_train = [] # output word
for data_word in data:
    x_train.append(to_one_hot(word2int[ data_word[0] ], vocab_size))
    y_train.append(to_one_hot(word2int[ data_word[1] ], vocab_size))
# convert them to numpy arrays
x_train = np.asarray(x_train)
y_train = np.asarray(y_train)

现在，我们有了 x_train 和 y_train 数据：

print(x_train)
->
[[ 0.  0.  0.  0.  0.  0.  1.]
 [ 0.  0.  0.  0.  0.  0.  1.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.]
 [ 0.  0.  1.  0.  0.  0.  0.]
 [ 0.  0.  1.  0.  0.  0.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  0.  1.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0.  1.  0.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.]
 [ 0.  1.  0.  0.  0.  0.  0.]
 [ 1.  0.  0.  0.  0.  0.  0.]
 [ 1.  0.  0.  0.  0.  0.  0.]]

这两个数据的维度如下：

print(x_train.shape, y_train.shape)
->
(34, 7) (34, 7)
# meaning 34 training points, where each point has 7 dimensions

# making placeholders for x_train and y_train

x = tf.placeholder(tf.float32, shape=(None, vocab_size))
y_label = tf.placeholder(tf.float32, shape=(None, vocab_size))

从上图中可以看出，我们将训练数据转换成了另一种向量表示。

EMBEDDING_DIM = 5 # you can choose your own number
W1 = tf.Variable(tf.random_normal([vocab_size, EMBEDDING_DIM]))
b1 = tf.Variable(tf.random_normal([EMBEDDING_DIM])) #bias
hidden_representation = tf.add(tf.matmul(x,W1), b1)

接下来，我们对隐藏层的数据进行处理，并且对其附近的词进行预测。预测词的方法我们采用 softmax 方法。

W2 = tf.Variable(tf.random_normal([EMBEDDING_DIM, vocab_size]))
b2 = tf.Variable(tf.random_normal([vocab_size]))
prediction = tf.nn.softmax(tf.add( tf.matmul(hidden_representation, W2), b2))

所以，完整的模型是：

input_one_hot  --->  embedded repr. ---> predicted_neighbour_prob
predicted_prob will be compared against a one hot vector to correct it.

现在，我们可以训练这个模型：

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init) #make sure you do this!
# define the loss function:
cross_entropy_loss = tf.reduce_mean(-tf.reduce_sum(y_label * tf.log(prediction), reduction_indices=[1]))
# define the training step:
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(cross_entropy_loss)
n_iters = 10000
# train for n_iter iterations
for _ in range(n_iters):
    sess.run(train_step, feed_dict={x: x_train, y_label: y_train})
    print("loss is : ", sess.run(cross_entropy_loss, feed_dict={x: x_train, y_label: y_train}))

在训练的过程中，你在控制台可以得到如下结果：

loss is :  2.73213
loss is :  2.30519
loss is :  2.11106
loss is :  1.9916
loss is :  1.90923
loss is :  1.84837
loss is :  1.80133
loss is :  1.76381
loss is :  1.73312
loss is :  1.70745
loss is :  1.68556
loss is :  1.66654
loss is :  1.64975
loss is :  1.63472
loss is :  1.62112
loss is :  1.6087
loss is :  1.59725
loss is :  1.58664
loss is :  1.57676
loss is :  1.56751
loss is :  1.55882
loss is :  1.55064
loss is :  1.54291
loss is :  1.53559
loss is :  1.52865
loss is :  1.52206
loss is :  1.51578
loss is :  1.50979
loss is :  1.50408
loss is :  1.49861
.
.
.

随着损失值的不断下降，最终会达到一个稳定值。即使我们无法获得很精确的结果，但是我们也不在乎，因为我们感兴趣的是 W1 和 b1 的值，即隐藏层的权重。

让我们来看看这些权重，如下：

print(sess.run(W1))
print("----------")
print(sess.run(b1))
print("----------")

->
[[-0.85421133  1.70487809  0.481848   -0.40843448 -0.02236851]
 [-0.47163373  0.34260952 -2.06743765 -1.43854153 -0.14699034]
 [-1.06858993 -1.10739779  0.52600187  0.24079895 -0.46390489]
 [ 0.84426647  0.16476244 -0.72731972 -0.31994426 -0.33553854]
 [ 0.21508843 -1.21030915 -0.13006891 -0.24056002 -0.30445012]
 [ 0.17842589  2.08979321 -0.34172744 -1.8842833  -1.14538431]
 [ 1.61166084 -1.17404735 -0.26805425  0.74437028 -0.81183684]]
----------
[ 0.57727528 -0.83760375  0.19156453 -0.42394346  1.45631313]
----------

当我们将一个 0-1 向量与 W1 相乘时，我们基本上可以将 W1 与 0-1 向量对应的那个 1 相乘的结果就是词向量。也就是说， W1 就是一个数据查询表。

在我们的程序中，我们也添加了一个偏置项 b1 ，所以我们也需要将它加上。

vectors = sess.run(W1 + b1)

# if you work it out, you will see that it has the same effect as running the node hidden representation
print(vectors)
->
[[-0.74829113 -0.48964909  0.54267412  2.34831429 -2.03110814]
 [-0.92472583 -1.50792813 -1.61014366 -0.88273793 -2.12359881]
 [-0.69424796 -1.67628145  3.07313657 -1.14802659 -1.2207377 ]
 [-1.7077738  -0.60641652  2.25586247  1.34536338 -0.83848488]
 [-0.10080346 -0.90931684  2.8825531  -0.58769202 -1.19922316]
 [ 1.49428082 -2.55578995  2.01545811  0.31536022  1.52662396]
 [-1.02735448  0.72176981 -0.03772151 -0.60208392  1.53156447]]

如果我们想得到 queen 的向量，我们可以用如下表示：

print(vectors[ word2int["queen"] ])
# say here word2int["queen"] is 2
-> 
[-0.69424796 -1.67628145  3.07313657 -1.14802659 -1.2207377 ]

我们写一个如何去查找最相近向量的函数，当然这个写法是非常简单粗糙的。

def euclidean_dist(vec1, vec2):
    return np.sqrt(np.sum((vec1-vec2)**2))

def find_closest(word_index, vectors):
    min_dist = 10000 # to act like positive infinity
    min_index = -1
    query_vector = vectors[word_index]
    for index, vector in enumerate(vectors):
        if euclidean_dist(vector, query_vector) < min_dist and not np.array_equal(vector, query_vector):
            min_dist = euclidean_dist(vector, query_vector)
            min_index = index
    return min_index

接下来，让我们来测试一下单词 king ，queen 和 royal 这些词。

print(int2word[find_closest(word2int["king"], vectors)])
print(int2word[find_closest(word2int["queen"], vectors)])
print(int2word[find_closest(word2int["royal"], vectors)])

->
queen
king
he

我们可以得到如下有趣的结果。

king is closest to queen
queen is closest to king
royal is closest to he

第三个数据是我们根据大型语料库得出来的（看起来还不错）。语料库的数据更大，我们得到的结果会更好。（注意：由于权重是随机初始化的，所以我们可能会得到不同的结果，如果有需要，我们可以多运行几次。）

让我们来画出这个向量相关图。

首先，我们需要利用将为技术将维度从 5 减小到 2，所用的技术是：tSNE（teesnee！）

from sklearn.manifold import TSNE
model = TSNE(n_components=2, random_state=0)
np.set_printoptions(suppress=True)
vectors = model.fit_transform(vectors)

然后，我们需要对结果进行规范化，以便我们可以在 matplotlib 中更好的对它进行查看。

from sklearn import preprocessing
normalizer = preprocessing.Normalizer()
vectors =  normalizer.fit_transform(vectors, "l2")

最后，我们将绘制出图。

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
for word in words:
    print(word, vectors[word2int[word]][1])
    ax.annotate(word, (vectors[word2int[word]][0],vectors[word2int[word]][1] ))
plt.show()

从图中，我们可以看出。she 跟 queen 的距离非常接近，king 与 royal 的距离和 king 与 queen 的距离相同。如果我们有一个更大的语料库，我们可以得到更加复杂的关系图。

我们给神经网络的任务是预测单词的相邻词。但是我们还没有具体的分析神经网络是如何预测的。因此，神经网络找出单词的向量表示，用来帮助它预测相邻词这个任务。预测相邻词这本身不是一个有趣的任务，我们关心的是隐藏层的向量表示。

为了得到这些表示，神经网络使用了上下文信息。在我们的语料库中，king 和 royal 是作为相邻词出现的，queen 和 royal 也是作为相邻词出现的。

其他的任务也可以用来训练这个词向量任务，比如利用 n-gram 就可以训练出很好的词向量！这里有一篇博客有详细解释。

那么，我们为什么还要使用相邻词预测作为任务呢？因为有一个比较著名的模型称为 skip gram 模型。我们可以使用中间词的相邻单词作为输入，并要求神经网络去预测中间词。这被称为连续词袋模型。

词向量是非常酷的一个工具。

不要在实际生产环境中使用这个 TensorFlow 代码，我们这里只是为了理解才这样写。生产环境建议使用一些成熟的工具包，比如 gensim

我希望这个简单教程可以帮助到一些人，可以更加深刻的理解什么是词向量。

作者：chen_h
微信号 & QQ：862251340
简书地址：https://www.jianshu.com/p/4e1...

CoderPai 是一个专注于算法实战的平台，从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣，请快快关注我们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。长按或者扫描如下二维码，关注 “CoderPai” 微信号（coderpai）