Press "Enter" to skip to content

Keras深度学习——使用skip-gram和CBOW模型构建单词向量

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:

 

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:

 

 

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:

 

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:

 

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:

 

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

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:

 

print(data['text'][0].split())

 

以上代码将句子按空格分隔,输出如下所示:

 

['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:

 

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:

 

print(list_words[:5])

 

前三个句子的列表如下:

 

[['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:

 

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:

 

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:

 

print(model.wv.index_to_key)

 

输出结果如下所示:

 

['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:

 

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:

 

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:

 

print(model.wv.get_vector('day'))

 

对应于单词 “ day ” 的单词向量如下:

 

[-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:

 

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:

 

print(model.wv.most_similar('day'))

 

与单词 “ day ” 最相似的单词打印如下:

 

[('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:

 

model = Word2Vec(vector_size=50, window=5, min_count=30, sg=1)

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注