分享

【NLP实战】tensorflow词向量训练实战

 有三AI 2020-11-27

实战是学习一门技术最好的方式,也是深入了解一门技术唯一的方式。因此,NLP专栏计划推出一个实战专栏,让有兴趣的同学在看文章之余也可以自己动手试一试。

本篇介绍自然语言处理中最基础的词向量的训练。

作者&编辑 | 小Dream哥

1 语料准备 

用于词向量训练的语料应该是已经分好词的语料,如下所示:

2 词向量训练

(1) 读取语料数据

读取数据的过程很简单,就是从压缩文件中读取上面显示的语料,得到一个列表。

def read_data(filename):
   with zipfile.ZipFile(filename) as f:
        data = tf.compat.as_str(f.read(f.namelist()[0])).split()
   return data

(2) 根据语料,构建字典

构建字典几乎是所有NLP任务所必须的步骤。

def build_dataset(words):
     count = [['UNK', -1]]
     count.extend(collections.Counter(words).most_common

(vocabulary_size - 1))

     dictionary = dict()
     for word, _ in count:
           dictionary[word] = len(dictionary)
      data = list()
      unk_count = 0
      data=[dictionary[word]  if  word in dictionary else 0 for word in words]
      count[0][1] = unk_count
      reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))
      return data, count, dictionary, reverse_dictionary

(3) 根据语料,获取一个batch的数据

这里需要解释一下,此次词向量的训练,采用的是skip gram的方式,即通过一个词,预测该词附近的词。generate_batch函数中,skip_window表示取该词左边或右边多少个词,num_skips表示总共取多少个词。最后生成的batch数据,batch是num_skips*batch_size个词,label是中间的batch_size个词。

def generate_batch(batch_size, num_skips, skip_window):
     global data_index
     assert batch_size % num_skips == 0
     assert num_skips <= 2 * skip_window
     batch = np.ndarray(shape=(batch_size), dtype=np.int32)
     labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32)
     span = 2 * skip_window + 1  # [ skip_window target skip_window ]
     buffer = collections.deque(maxlen=span)
     for _ in range(span):
       buffer.append(data[data_index])
       data_index = (data_index + 1)
      for i in range(batch_size // num_skips):
           target = skip_window  
           targets_to_avoid = [skip_window]  
       for j in range(num_skips):
            while target in targets_to_avoid:
                   target = random.randint(0, span - 1)
            targets_to_avoid.append(target)
            batch[i * num_skips + j] = buffer[skip_window]
            labels[i * num_skips + j, 0] = buffer[target]
        buffer.append(data[data_index])
        data_index = (data_index + 1) % len(data)
        return batch, labels

(4) 用tensforslow训练词向量

首先,构造tensorflow运算图,主要包括以下几个步骤:

1.用palceholder先给训练数据占坑;

2.初始化词向量表,是一个|V|*embedding_size的矩阵,目标就是优化这个矩阵;

3.初始化权重;

4.构建损失函数,这里用NCE构建;

5.构建优化器;

6.构建变量初始化器

graph = tf.Graph()
with graph.as_default():
   # input data
     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)

# operations and variables
   # look up embeddings for inputs

     embeddings = tf.Variable(tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
     embed = tf.nn.embedding_lookup(embeddings, train_inputs)

# construct the variables for the NCE loss
     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]))

     ncs_loss_test=tf.nn.nce_loss(weights=nce_weights, biases=nce_biases,labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)    

     loss = tf.reduce_mean(tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size))

   # construct the SGD optimizer using a learning rate of 1.0
      optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss)

 # compute the cosine similarity between minibatch examples and all embeddings
     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)
     similarity = tf.matmul(valid_embeddings, normalized_embeddings, transpose_b=True)

   # add variable initializer
      init = tf.initialize_all_variables()

然后,开始训练词向量:

num_steps = 1000
with tf.Session(graph=graph) as session:
   # we must initialize all variables before using them
   init.run()
   print('initialized.')
   # loop through all training steps and keep track of loss
   average_loss = 0
   for step in range(num_steps):
       # generate a minibatch of training data
       batch_inputs, batch_labels = generate_batch(batch_size, num_skips, skip_window)
       feed_dict = {train_inputs: batch_inputs, train_labels: batch_labels}
       
       # we perform a single update step by evaluating the optimizer operation (including it
       # in the list of returned values of session.run())

       _, loss_val,ncs_loss_ = session.run([optimizer, loss,ncs_loss_test], feed_dict=feed_dict)
       average_loss += loss_val
       final_embeddings = normalized_embeddings.eval()
       print(final_embeddings)        

(5) 保存词向量

将训练好的词向量写到文件中备用。

final_embeddings = normalized_embeddings.eval()
print(final_embeddings)
fp=open('vector.txt','w',encoding='utf8')
for k,v in reverse_dictionary.items():
   t=tuple(final_embeddings[k])
   s=''
   for i in t:
       i=str(i)
       s+=i+" "

   fp.write(v+" "+s+"\n")
fp.close()

最后,我们将词向量写到了vector.txt里面,得到了一份很大的词向量表,我们看看它长成什么样子:

可以看到,词向量就是将每个中文词用一个向量来表示,整个词表及其词向量构成了这份词向量表。

这里留一个作业,读者可以自己试一下,从表中读取出来几个词的向量,计算出来他们的相似度,看训练出来的词向量质量如何。

至此本文介绍了如何利用tensorflow平台自己写代码,训练一份自己想要的词向量,代码在我们有三AI的github可以

https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到word2vec文件夹,执行python3 w2v_skip_gram.py就可以运行,训练词向量了。

总结

这里讲述了词向量的具体训练过程,相关的原理在我之前的系列文章里有详细的讲述,感兴趣的同学可以好好看一下:

【NLP-词向量】词向量的由来及本质

【NLP-词向量】从模型结构到损失函数详解word2vec

词向量是NLP开始迈进“现代化”的关键,是各种面试必问的基础,需重视。

我们也会在知识星球讨论代码的具体实现和优化,感兴趣扫描下面的二维码了解。

    转藏 分享 献花(0

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多