Keras深度学习——使用skip-gram和CBOW模型构建单词向量

语言: CN / TW / HK

theme: hydrogen

持续创作,加速成长!这是我参与「掘金日新计划 · 6 月更文挑战」的第29天,点击查看活动详情

skip-gram 和 CBOW 模型

本节中,使用连续单词袋 (Continuous Bag of Words, CBOW) 模型构建单词向量,以 “I love watching movie” 为例。CBOW 模型处理此语句的方式如下: - 使用一个尺寸为 1 的特定窗口 - 通过指定窗口大小,也表示指定了在给定单词的右侧和左侧将考虑的单词数 - 给定窗口大小 1,则输入和输出单词如下所示:

输入单词 | 输出单词 | | ------------- | ---------- | | {I, watching} | {love} | | {love, movie} | {watching}

  • 构建单词向量的另一种方法是使用 skip-gram 模型,其步骤与 CBOW 步骤恰好相反,如下所示:

输出单词 | 输入单词 | | ---------- | ------------- | | {love} | {I, watching} | | {watching} | {love, movie}

但无论是 skip-gram 模型还是 CBOW 模型,得到单词在隐藏层的编码向量的方法都与在 <测量词向量之间的相似度>中介绍的方法相同。

使用 skip-gram 和 CBOW 模型构建单词向量

了解了单词向量构建的原理后,我们使用 skip-gramCBOW 模型构建单词向量。为了构建模型,我们将使用航空公司的情感数据集,其中给出了推文文本,并提供了与推文相对应的情感。

我们所用的 Twitter US Airline Sentiment 数据来源于 Crowdflower’s Data for Everyone,其中包含了美国各大航空公司 Twitter 评论的情绪分析数据,该数据集收集了自 20152 月以来的数据,并推文进行分类,包括正面、负面和中立,数据集还对负面评价原因的进行分类,例如“航班迟到”或“服务粗鲁”等。可以在 Kaggle 上获取格式化数据集。可以看到,数据集中包含每条推文对六家美国航空公司的评价情绪是正面的、中性的还是负面的:

数据集查看

接下来,我们利用 gensim 库生成单词向量。如果未安装此库,首先使用 pip 命令进行安装: python pip install gensim 导入相关库,并读取航空公司 Twitter 情感数据集,其中包含与航空公司及其相应情感相关的评论内容: ```python import gensim import pandas as pd

data = pd.read_csv('archive/Tweets.csv') print(data.head()) 预览数据集,如下所示:shell tweet_id airline_sentiment ... tweet_location user_timezone 0 570306133677760513 neutral ... NaN Eastern Time (US & Canada) 1 570301130888122368 positive ... NaN Pacific Time (US & Canada) 2 570301083672813571 neutral ... Lets Play Central Time (US & Canada) 3 570301031407624196 negative ... NaN Pacific Time (US & Canada) 4 570300817074462722 negative ... NaN Pacific Time (US & Canada) 对读取的文本进行预处理,执行以下操作: - 将每个单词都转换为小写 - 删除标点符号,仅保留数字和字母 - 删除停用词python import re import nltk from nltk.corpus import stopwords

stop = set(stopwords.words('english'))

def preprocess(text): text = text.lower() text = re.sub('[^0-9a-zA-Z]+', ' ', text) words = text.split() words2 = [i for i in words if i not in stop] words3 = ' '.join(words2) return words3

data ['text'] = data['text'].apply(preprocess) 将句子拆分为分词 (`token`) 列表,以便随后将其传递给 `gensim`,打印出第一句的分词结果:python print(data['text'][0].split()) 以上代码将句子按空格分隔,输出如下所示:shell ['virginamerica', 'dhepburn', 'said'] 遍历所有文本,并将分词结果添加到列表中,如下所示:python list_words = [] for i in range(len(data)): list_words.append(data['text'][i].split()) 检查 `list_words` 列表中的前 `5` 个分词结果:python print(list_words[:5]) 前三个句子的列表如下:shell [['virginamerica', 'dhepburn', 'said'], ['virginamerica', 'plus', 'added', 'commercials', 'experience', 'tacky'], ['virginamerica', 'today', 'must', 'mean', 'need', 'take', 'another', 'trip'], ['virginamerica', 'really', 'aggressive', 'blast', 'obnoxious', 'entertainment', 'guests', 'faces', 'amp', 'little', 'recourse'], ['virginamerica', 'really', 'big', 'bad', 'thing']] ```

接下来,构建 Word2Vec 模型,定义单词向量大小、要查看的上下文窗口大小,以及要考虑单词的最小数量,以使其具有被编码为向量的资格,如下所示: python from gensim.models import Word2Vec model = Word2Vec(vector_size=50, window=5, min_count=30, sg=0, alpha=0.025) 在以上代码中,vector_size 表示单词向量的维度,window 表示要考虑的单词的上下文大小,min_count 指定要考虑的单词的最小频率,sg 表示采用的编码模型为使用 skip-gram (sg = 1) 或CBOW (sg = 0),alpha 表示模型的学习率。

定义模型后,传递 list_words 列表以构建词汇表,如下所示: python model.build_vocab(list_words) 构建词汇表后,可以找到在整个语料库中过滤掉少于 30 次的单词后剩下的最终单词,如下所示: python print(model.wv.index_to_key) 输出结果如下所示: python ['united', 'flight', 'usairways', 'americanair', 'southwestair', 'jetblue', 'get', 'co', 'http', 'thanks', 'cancelled', 'service'...] 通过指定输入数据和要训练的 epoch 数来训练模型,如下所示: python model.train(list_words, total_examples=model.corpus_count, epochs=200)train 方法中,list_words 列表包含了所有输入分词列表,total_examples 表示要考虑的分词列表总数,epochs 是要运行的 epoch 数。

此外,我们也可以通过在 Word2Vec 方法中使用 iter 参数来指定训练模型 epoch 数,如下所示: python model.train(list_words, total_examples=model.corpus_count, iter=200) 训练完成后,可以提取给定单词的单词编码向量,如下所示: python print(model.wv.get_vector('day')) 对应于单词 “day” 的单词向量如下: shell [-7.04173684e-01 -5.72516641e-04 -4.10758048e-01 1.84985828e+00 -1.15435565e+00 -3.16574931e-01 -5.16422510e-01 2.28969193e+00 1.91934001e+00 -1.18813097e+00 -2.94377494e+00 9.51616392e-02 -8.44838619e-02 -7.18616024e-02 -1.14567673e+00 6.77643716e-01 1.61244774e+00 1.13801873e+00 -4.42255348e-01 1.07233655e+00 1.16125333e+00 2.79197335e+00 2.07479763e+00 -1.21500826e+00 -9.10723388e-01 4.01439548e-01 -1.65728176e+00 -1.75016761e-01 -9.88252282e-01 -3.28201318e+00 -1.22636998e+00 -6.90755486e-01 -1.92077053e+00 1.75805852e-01 -2.02697372e+00 -9.76259783e-02 1.68322384e+00 -1.77150667e+00 3.45278442e-01 -2.07601279e-01 -1.24472260e+00 7.59482205e-01 7.28200555e-01 -2.57247114e+00 -1.04648125e+00 2.81359744e+00 -2.41322589e+00 -1.54843581e+00 2.38953400e+00 -1.05442435e-01] 两个词之间的相似度可以使用 similarity 计算如下: ```python print(model.wv.similarity('day', 'week'))

输出结果

0.53549874

同样,我们可以计算与给定单词最相似的单词,以及它们之间的相似度:python print(model.wv.most_similar('day')) 与单词 “`day`” 最相似的单词打印如下:shell [('days', 0.6186136603355408), ('week', 0.5354987382888794), ('trip', 0.5184321999549866), ('time', 0.4801279306411743), ('destination', 0.4254339635372162), ('hrs', 0.4112888276576996), ('night', 0.41115307807922363), ('hours', 0.40979164838790894), ('year', 0.3568463921546936), ('sat', 0.3532494604587555)] ``` 尽管这些相似度看起来很低,并且一些相似的单词并没有被准确的识别,这是由于该数据库中的数据量并不足以得到更精确的结果,可以在一个更大的数据集上进行训练。

通过将 sg 参数的值替换为 1,则可以使用 skip-gram 模型获得单词低维向量: python model = Word2Vec(vector_size=50, window=5, min_count=30, sg=1)