【NLP】词嵌入基础和Word2vec
0.導語
詞嵌入是自然語言處理（NLP）中語言模型與表征學習技術(shù)的統(tǒng)稱。概念上而言，它是指把一個維數(shù)為所有詞的數(shù)量的高維空間嵌入到一個維數(shù)低得多的連續(xù)向量空間中，每個單詞或詞組被映射為實數(shù)域上的向量。
在此之前，我已經(jīng)寫了以下幾篇AI基礎(chǔ)的快速入門，本篇文章講解詞嵌入基礎(chǔ)和Word2vec。
本文作者：
jalammar（https://jalammar.github.io）
本文代碼可以在github下載：
https://github.com/fengdu78/Data-Science-Notes/tree/master/8.deep-learning/word2vec
圖解Word2vec
正文開始
我發(fā)現(xiàn)嵌入的概念是機器學習中最迷人的想法之一。如果您曾經(jīng)使用Siri，Google智能助理，Alexa，谷歌翻譯，甚至智能手機鍵盤進行下一詞預測，那么您很有可能從這個已經(jīng)成為自然語言處理模型核心的想法中受益。在過去的幾十年中，使用嵌入技術(shù)進行神經(jīng)模型已有相當大的發(fā)展（最近的發(fā)展包括BERT和GPT2 等尖端模型的語境化嵌入）。
自2013年以來，Word2vec一直是一種有效創(chuàng)建單詞嵌入的方法。除了詞嵌入字的方法之外，它的一些概念已經(jīng)被證明可以在非語言任務(wù)中有效地創(chuàng)建推薦引擎和理解順序數(shù)據(jù)。比如Airbnb，阿里巴巴，Spotify和Anghami這樣的公司都從NLP世界中創(chuàng)造出這一優(yōu)秀的工具并將其用于生產(chǎn)中，從而為新型推薦引擎提供支持。
我們將討論嵌入的概念，以及使用word2vec生成嵌入的機制。
讓我們從一個例子開始，了解使用向量來表示事物。
您是否知道五個數(shù)字（向量）的列表可以代表您的個性？
個性嵌入：你的個性怎么樣？
使用0到100的范圍表示你的個性（其中0是最內(nèi)向的，100是最外向的）。
五大人格特質(zhì)測試，這些測試會問你一個問題列表，然后在很多方面給你打分，內(nèi)向/外向就是其中之一。
圖:測試結(jié)果示例。它可以真正告訴你很多關(guān)于你自己的事情，并且在學術(shù)、個人和職業(yè)成功方面都具有預測能力。假設(shè)我的測試得分為38/100。我們可以用這種方式繪制：
讓我們將范圍切換到從-1到1：
了解一個人，一個維度的信息不夠，所以讓我們添加另一個維度 - 測試中另一個特征的得分。
你可能不知道每個維度代表什么，但仍然可以從一個人的個性的向量表示中獲得了很多有用的信息。
我們現(xiàn)在可以說這個向量部分代表了我的個性。當你想要將另外兩個人與我進行比較時，這種表示的有用性就出現(xiàn)了。在下圖中，兩個人中哪一個更像我？
處理向量時，計算相似度得分的常用方法是余弦相似度：
一號人物與我的余弦相似度得分高，所以我們的性格比較相似。
然而，兩個方面還不足以捕獲有關(guān)不同人群的足夠信息。幾十年的心理學研究已經(jīng)研究了五個主要特征（以及大量的子特征）。所以我們在比較中使用所有五個維度：
我們沒法在二維上繪制出來五個維度，這是機器學習中的常見挑戰(zhàn)，我們經(jīng)常需要在更高維度的空間中思考。但好處是余弦相似度仍然有效。它適用于任意數(shù)量的維度：
嵌入的兩個中心思想：
我們可以將人（事物）表示為數(shù)字的向量。
我們可以很容易地計算出相似的向量彼此之間的關(guān)系。
詞嵌入
我們導入在維基百科上訓練的GloVe向量
import gensim import gensim.downloader as api model = api.load('glove-wiki-gigaword-50') 單詞“king”的詞嵌入表示： model["king"] array([ 0.50451 , 0.68607 , -0.59517 , -0.022801, 0.60046 , -0.13498 ,-0.08813 , 0.47377 , -0.61798 , -0.31012 , -0.076666, 1.493 ,-0.034189, -0.98173 , 0.68229 , 0.81722 , -0.51874 , -0.31503 ,-0.55809 , 0.66421 , 0.1961 , -0.13495 , -0.11476 , -0.30344 ,0.41177 , -2.223 , -1.0756 , -1.0783 , -0.34354 , 0.33505 ,1.9927 , -0.04234 , -0.64319 , 0.71125 , 0.49159 , 0.16754 ,0.34344 , -0.25663 , -0.8523 , 0.1661 , 0.40102 , 1.1685 ,-1.0137 , -0.21585 , -0.15155 , 0.78321 , -0.91241 , -1.6106 ,-0.64426 , -0.51042 ], dtype=float32)查看“king”最相似的單詞
model.most_similar("king") [('prince', 0.8236179351806641),('queen', 0.7839042544364929),('ii', 0.7746230363845825),('emperor', 0.7736247181892395),('son', 0.766719400882721),('uncle', 0.7627150416374207),('kingdom', 0.7542160749435425),('throne', 0.7539913654327393),('brother', 0.7492411136627197),('ruler', 0.7434253096580505)]這是一個包含50個數(shù)字的列表，我們無法說清楚里面的值代表什么。我們把所有這些數(shù)字放在一行，以便我們可以比較其他單詞向量。讓我們根據(jù)它們的值對單元格進行顏色編碼（如果它們接近2則為紅色，如果它們接近0則為白色，如果它們接近-2則為藍色）
import seaborn as sns import matplotlib.pyplot as plt import numpy as npplt.figure(figsize=(15, 1)) sns.heatmap([model["king"]],xticklabels=False,yticklabels=False,cbar=False,vmin=-2,vmax=2,linewidths=0.7) plt.show()我們將忽略數(shù)字并僅查看顏色以指示單元格的值，我們將“King”與其他詞語進行對比：
plt.figure(figsize=(15, 4)) sns.heatmap([model["king"],model["man"],model["woman"],model["king"] - model["man"] + model["woman"],model["queen"], ],cbar=True,xticklabels=False,yticklabels=False,linewidths=1) plt.show()看看“man”和“woman”是如何彼此更相似的，他們中的任何一個都是“king”？這告訴你一些事情。這些向量表示捕獲了這些單詞的信息/含義/關(guān)聯(lián)。
這是另一個示例列表（通過垂直掃描列來查找具有相似顏色的列）：
有幾點需要指出：
所有這些不同的單詞都有一個直的紅色列。它們在這個維度上是相似的（我們不知道每個維度代碼是什么）
你可以看到“woman”和“girl”在很多地方是如何相似的。與“man”和“boy”一樣
“boy”和“girl”也有彼此相似的地方，但與“woman”或“man”不同。這些是否可以編寫一個模糊的青年概念？可能。
除了最后一個字之外的所有字都代表著人。我添加了一個對象“water”來顯示類別之間的差異。例如，您可以看到藍色列一直向下并在嵌入“water”之前停止。
有一個明顯的地方，“king”和“queen”彼此相似，并與所有其他人不同。
類比
我們可以添加和減去單詞嵌入并獲得有趣的結(jié)果，最有名的例子是公式：“king” - “man” + “woman”:
model.most_similar(positive=["king","woman"],negative=["man"]) [('queen', 0.8523603677749634),('throne', 0.7664334177970886),('prince', 0.759214460849762),('daughter', 0.7473883032798767),('elizabeth', 0.7460220456123352),('princess', 0.7424569725990295),('kingdom', 0.7337411642074585),('monarch', 0.7214490175247192),('eldest', 0.7184861898422241),('widow', 0.7099430561065674)]我們可以像以前一樣想象這個類比：
語言建模
如果想要給出NLP應(yīng)用程序的示例，最好的示例之一將是智能手機鍵盤的下一個字（詞）預測功能。這是數(shù)十億人每天使用數(shù)百次的功能。
下一個字（詞）預測是一項可以通過語言模型解決的任務(wù)。語言模型可以采用單詞列表（比方說兩個單詞），并嘗試預測它們之后的單詞。
在上面的屏幕截圖中，我們可以將模型視為接受這兩個綠色單詞（thou shalt）并返回建議列表（“not”是具有最高概率的那個字）的模型：
我們可以把模型想象成這個黑盒子：
但實際上，該模型不會只輸出一個單詞。它實際上輸出了它所知道的所有單詞的概率分數(shù)（模型的“詞匯表”，其范圍可以從幾千到一百多萬個字（詞））。然后應(yīng)用程序必須找到分數(shù)最高的單詞，并將其呈現(xiàn)給用戶。
圖：神經(jīng)語言模型的輸出是模型知道的所有單詞的概率分數(shù)。我們在這里將概率稱為百分比，比如概率40％將在輸出向量中表示為0.4。
經(jīng)過訓練，早期的神經(jīng)語言模型（Bengio 2003）將分三步計算預測：
在討論嵌入時，第一步對我們來說最相關(guān)。訓練過程的結(jié)果之一是這個矩陣包含我們詞匯表中每個單詞的嵌入。在預測時間內(nèi)，我們只查找輸入字的嵌入，并使用它們來計算預測：
現(xiàn)在讓我們轉(zhuǎn)到訓練過程，以了解嵌入矩陣是如何工作的。
語言模型的訓練
與大多數(shù)其他機器學習模型相比，語言模型具有巨大優(yōu)勢。即：我們所有的書籍，文章，維基百科內(nèi)容和其他形式的大量文本數(shù)據(jù)可以作為訓練數(shù)據(jù)。與此相比，許多其他機器學習模型需要手動設(shè)計特征和專門收集的數(shù)據(jù)。
單詞通過我們查看它們往往會出現(xiàn)在旁邊的其他單詞來嵌入。其機制就是這樣
我們獲得了大量文本數(shù)據(jù)（例如，所有維基百科文章）。然后
我們有一個窗口（比如說三個單詞），我們會對所有文本進行滑動。
滑動窗口為我們的模型生成訓練樣本
當這個窗口滑動文本時，我們（虛擬地）生成一個用于訓練模型的數(shù)據(jù)集。為了準確看看它是如何完成的，讓我們看看滑動窗口如何處理這個短語：
當我們開始時，窗口在句子的前三個單詞上：
我們將前兩個單詞作為特征，將第三個單詞作為標簽：
我們現(xiàn)在已經(jīng)在數(shù)據(jù)集中生成了第一個樣本，我們稍后可以使用它來訓練語言模型。
然后我們將窗口滑動到下一個位置并創(chuàng)建第二個樣本：
現(xiàn)在生成第二個示例。
很快我們就會有一個更大的數(shù)據(jù)集，在不同的單詞對之后，這些數(shù)據(jù)集會出現(xiàn)：
在實踐中，模型往往在我們滑動窗口時進行訓練。但我發(fā)現(xiàn)邏輯上將“數(shù)據(jù)集生成”階段與訓練階段分開是更清楚的。除了基于神經(jīng)網(wǎng)絡(luò)的語言建模方法之外，一種稱為N-gram的技術(shù)通常用于訓練語言模型。
要了解這種從N-gram到神經(jīng)模型的轉(zhuǎn)換如何反映現(xiàn)實世界的產(chǎn)品，建議看這篇2015年博客文章，介紹他們的神經(jīng)語言模型并將其與之前的N-gram模型進行比較。
兩邊看
給了你句子前面的內(nèi)容，進行填空：
我在這里給你的背景是空格之前的五個字（以及之前提到的“bus”）。我相信大多數(shù)人都會猜到空格里的這個詞會是“bus”。但是，如果我再給你一條信息:空格之后的一句話，那會改變你的答案嗎？
這完全改變了應(yīng)該留在空格中的內(nèi)容。“red”這個詞現(xiàn)在最可能填到空格中。我們從中學到的是特定詞語之前和之后的詞語都具有信息價值。事實證明，考慮兩個方向（我們猜測的單詞左側(cè)和右側(cè)的單詞）會讓詞嵌入做得更好。
讓我們看看我們?nèi)绾握{(diào)整我們訓練模型的方式來解決這個問題。
Skipgram
我們不僅可以查看在目標詞之前的兩個單詞，還可以查看其后的兩個單詞。
如果我們這樣做，我們實際構(gòu)建和訓練模型的數(shù)據(jù)集將如下所示：
這被稱為連續(xù)詞袋結(jié)構(gòu)，并在word2vec論文 one of the word2vec papers 中進行過描述。
另一種結(jié)構(gòu)與連續(xù)詞袋結(jié)構(gòu)略有不同，但也可以也顯示出良好結(jié)果。這個結(jié)構(gòu)試圖使用當前詞來猜測相鄰詞，而不是根據(jù)其上下文（它之前和之后的詞）猜測一個詞。我們可以想到它在訓練文本上滑動的窗口如下所示：
圖：綠色框中的字將是輸入字，每個粉色框?qū)⑹强赡艿妮敵觥７凵蚓哂胁煌年幱?#xff0c;因為此滑動窗口實際上在我們的訓練數(shù)據(jù)集中創(chuàng)建了四個單獨的樣本：此方法稱為skipgram架構(gòu)。我們可以執(zhí)行以下操作將滑動窗口可視化：
這會將這四個樣本添加到我們的訓練數(shù)據(jù)集中：
然后我們將窗口滑動到下一個位置：
這將產(chǎn)生我們的下四個樣本：
接著滑動幾個位置之后，我們有更多的樣本：
重新審視訓練過程
現(xiàn)在我們已經(jīng)從現(xiàn)有的運行文本中提取了我們的skipgram訓練數(shù)據(jù)集，讓我們看看我們?nèi)绾问褂盟鼇碛柧氼A測相鄰單詞的基本神經(jīng)語言模型。
我們從數(shù)據(jù)集中的第一個樣本開始。我們把特征提供給未經(jīng)訓練的模型，要求它預測一個合適的相鄰單詞。
該模型進行三個步驟并輸出預測向量（概率分配給其詞匯表中的每個單詞）。由于該模型未經(jīng)過訓練，因此在此階段的預測肯定是錯誤的。但那沒關(guān)系。我們知道應(yīng)該它將猜到哪個詞：我們目前用于訓練模型的行中的標簽/輸出單元格：
圖：“目標向量”的詞（字）概率為1，其他詞（字）的概率都是0。我們減去兩個向量，得到一個誤差向量：現(xiàn)在可以使用此誤差向量來更新模型，以便下次當“not”作為輸入時，模型更有可能猜測“thou”。
這就是訓練的第一步。我們繼續(xù)使用數(shù)據(jù)集中的下一個樣本進行相同的處理，然后是下一個樣本，直到我們覆蓋了數(shù)據(jù)集中的所有樣本。這就結(jié)束了一個epcho的訓練。我們繼續(xù)訓練多個epcho，然后我們就有了訓練好的模型，我們可以從中提取嵌入矩陣并將其用于任何其他應(yīng)用。
雖然這加深了我們對該過程的理解，但仍然不是word2vec實際上的訓練過程。
負采樣
回想一下這個神經(jīng)語言模型如何計算其預測的三個步驟：
從計算的角度來看，第三步非常消耗資源：尤其是我們將在數(shù)據(jù)集中為每個訓練樣本做一次（很可能數(shù)千萬次）。我們需要做一些事情來提高效率。
一種方法是將目標分成兩個步驟：
生成高質(zhì)量的單詞嵌入（不要擔心下一個單詞預測）。
使用這些高質(zhì)量的嵌入來訓練語言模型（進行下一個單詞預測）。
我們將專注于第1步，因為我們專注于嵌入。要使用高性能模型生成高質(zhì)量嵌入，我們可以從預測相鄰單詞切換模型的任務(wù)：
并將其切換到一個取輸入和輸出字的模型，并輸出一個分數(shù)，表明它們是否是鄰居（0表示“不是鄰居”，1表示“鄰居”）。
這個簡單的改變，將我們需要的模型從神經(jīng)網(wǎng)絡(luò)改為邏輯回歸模型：因此它變得更簡單，計算速度更快。
這個改變要求我們切換數(shù)據(jù)集的結(jié)構(gòu) - 標簽現(xiàn)在是一個值為0或1的新列。它們將全部為1，因為我們添加的所有單詞都是鄰居。
現(xiàn)在可以以極快的速度計算 - 在幾分鐘內(nèi)處理數(shù)百萬個示例。但是我們需要關(guān)閉一個漏洞。如果我們所有的例子都是正面的（目標：1），我們打開自己的智能模型的可能性總是返回1 - 達到100％的準確性，但什么都不學習并生成垃圾嵌入。
為了解決這個問題，我們需要在數(shù)據(jù)集中引入負樣本 - 不是鄰居的單詞樣本。我們的模型需要為這些樣本返回0。現(xiàn)在這是一個挑戰(zhàn)，模型必須努力解決，而且速度還要快。
圖：對于我們數(shù)據(jù)集中的每個樣本，我們添加了負樣本。它們具有相同的輸入詞和0標簽。但是我們填寫什么作為輸出詞？我們從詞匯表中隨機抽取單詞這個想法的靈感來自Noise-contrastive estimation。我們將實際信號（相鄰單詞的正例）與噪聲（隨機選擇的不是鄰居的單詞）進行對比。這是計算量和統(tǒng)計效率的巨大折衷。
帶負采樣的skipgram（SGNS）
我們現(xiàn)在已經(jīng)介紹了word2vec中的兩個核心思想：
skipgram和負采樣。
Word2vec訓練流程
現(xiàn)在我們已經(jīng)建立了skipgram和負采樣的兩個中心思想，我們可以繼續(xù)仔細研究實際的word2vec訓練過程。
在訓練過程開始之前，我們預先處理我們正在訓練模型的文本。在這一步中，我們確定詞匯量的大小（我們稱之為vocab_size，比如說，將其視為10,000）以及哪些詞屬于它。在訓練階段的開始，我們創(chuàng)建兩個矩陣 - Embedding矩陣和Context矩陣。這兩個矩陣在我們的詞匯表中嵌入了每個單詞（這vocab_size是他們的維度之一）。第二個維度是我們希望每次嵌入的時間長度（embedding_size- 300是一個常見值，但我們在本文前面的例子是50。）。
在訓練過程開始時，我們用隨機值初始化這些矩陣。然后我們開始訓練過程。在每個訓練步驟中，我們采取一個正樣本及其相關(guān)的負樣本。我們來看看我們的第一組：
現(xiàn)在我們有四個單詞：輸入單詞not和輸出/上下文單詞:( thou實際鄰居）,aaron，和taco（負樣本）。我們繼續(xù)查找它們的嵌入 - 對于輸入詞，我們查看Embedding矩陣。對于上下文單詞，我們查看Context矩陣（即使兩個矩陣都在我們的詞匯表中嵌入了每個單詞）。
然后，我們計算輸入嵌入與每個上下文嵌入的點積。。在每種情況下，會產(chǎn)生一個數(shù)字，該數(shù)字表示輸入和上下文嵌入的相似性。
現(xiàn)在我們需要一種方法將這些分數(shù)轉(zhuǎn)化為看起來像概率的東西 ：使用sigmoid函數(shù)把概率轉(zhuǎn)換為0和1。
現(xiàn)在我們可以將sigmoid操作的輸出視為這些樣本的模型輸出。您可以看到taco得分最高aaron，并且在sigmoid操作之前和之后仍然具有最低分。既然未經(jīng)訓練的模型已做出預測，并且看到我們有一個實際的目標標簽要比較，那么讓我們計算模型預測中的誤差。為此，我們只從目標標簽中減去sigmoid分數(shù)。
圖：這是“機器學習”的“學習”部分。現(xiàn)在，我們可以利用這個錯誤分數(shù)調(diào)整`not`，`thou`，`aaron`和`taco`的嵌入,使下一次我們做出這一計算，結(jié)果會更接近目標分數(shù)。?訓練步驟到此結(jié)束。我們從這一步驟中得到稍微好一點的嵌入（`not`，`thou`，`aaron`和`taco`）。我們現(xiàn)在進行下一步（下一個正樣本及其相關(guān)的負樣本）,并再次執(zhí)行相同的過程。?
當我們循環(huán)遍歷整個數(shù)據(jù)集多次時，嵌入繼續(xù)得到改進。然后我們可以停止訓練過程，丟棄`Context`矩陣，并使用`Embeddings`矩陣作為下一個任務(wù)的預訓練嵌入。
窗口大小和負樣本數(shù)量
word2vec訓練過程中的兩個關(guān)鍵超參數(shù)是窗口大小和負樣本的數(shù)量。
不同的窗口大小可以更好地提供不同的任務(wù)。
一種啟發(fā)式方法是較小的窗口嵌入（2-15），其中兩個嵌入之間的高相似性得分表明這些單詞是可互換的（注意，如果我們只查看周圍的單詞，反義詞通常可以互換 - 例如，好的和壞的經(jīng)常出現(xiàn)在類似的情境中）。
使用較大的窗口嵌入（15-50，甚至更多）會得到相似性更能指示單詞相關(guān)性的嵌入。實際上，您通常需要對嵌入過程提供注釋指導，為您的任務(wù)帶來有用的相似感。
Gensim默認窗口大小為5（輸入字本身加上輸入字之前的兩個字和輸入字之后的兩個字）。
負樣本的數(shù)量是訓練過程的另一個因素。原始論文里負樣本數(shù)量為5-20。它還指出，當你擁有足夠大的數(shù)據(jù)集時，2-5似乎已經(jīng)足夠了。Gensim默認為5個負樣本。
結(jié)論
我希望你現(xiàn)在對詞嵌入和word2vec算法有所了解。我也希望現(xiàn)在當你讀到一篇提到“skip gram with negative sampling”（SGNS）的論文時，你會對這些概念有了更好的認識。
本文作者：jalammar（https://twitter.com/jalammar）。
參考文獻和進一步閱讀材料
Distributed Representations of Words and Phrases and their Compositionality?[pdf]
Efficient Estimation of Word Representations in Vector Space?[pdf]
A Neural Probabilistic Language Model?[pdf]
Speech and Language Processing?by Dan Jurafsky and James H. Martin is a leading resource for NLP. Word2vec is tackled in Chapter 6.
Neural Network Methods in Natural Language Processing?by?Yoav Goldberg?is a great read for neural NLP topics.
Chris McCormick?has written some great blog posts about Word2vec. He also just released?The Inner Workings of word2vec, an E-book focused on the internals of word2vec.
Want to read the code? Here are two options:
Gensim’s?python implementation?of word2vec
Mikolov’s original?implementation in C?– better yet, this?version with detailed comments?from Chris McCormick.
Evaluating distributional models of compositional semantics
On word embeddings,?part 2
Dune
總結(jié)
以上是生活随笔為你收集整理的【NLP】词嵌入基础和Word2vec的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PP视频如何更改截图保存路径及图片类型
- 下一篇： 面了百度AI，新生代农民工炸了