写在前面
- 态度决定高度！让优秀成为一种习惯！
- 世界上没有什么事儿是加一次班解决不了的，如果有，就加两次！（- - -茂强）
word2vec
大名鼎鼎的word2vec在这里就不再解释什么了，多说无益，不太明白的就去百度google吧，下面就说一下各种实现吧
准备预料
python-gensim
一个简单到爆的方式，甚至可以一行代码解决问题。
from gensim.models import word2vec
sentences = word2vec.Text8Corpus("C:/traindataw2v.txt") # 加载语料
model = word2vec.Word2Vec(sentences, size=200) # 训练skip-gram模型; 默认window=5
#获取“学习”的词向量
print("学习：" + model["学习"])
# 计算两个词的相似度/相关程度
y1 = model.similarity("不错", "好")
# 计算某个词的相关词列表
y2 = model.most_similar("书", topn=20) # 20个最相关的
# 寻找对应关系
print("书-不错，质量-")
y3 = model.most_similar(['质量', '不错'], ['书'], topn=3)
# 寻找不合群的词
y4 = model.doesnt_match("书 书籍 教材 很".split())
# 保存模型，以便重用
model.save("db.model")
# 对应的加载方式
model = word2vec.Word2Vec.load("db.model")
好了，gensim的方式说完了
下边就让我们看一下参数吧
默认参数如下：
sentences=None
size=100
alpha=0.025
window=5
min_count=5
max_vocab_size=None
sample=1e-3
seed=1
workers=3
min_alpha=0.0001
sg=0
hs=0
negative=5
cbow_mean=1
hashfxn=hash
iter=5
null_word=0
trim_rule=None
sorted_vocab=1
batch_words=MAX_WORDS_IN_BATCH
是不是感觉很意外，为啥有这么多参数，平时都不怎么用，但是，一个训练好的模型的好与坏与其参数密不可分，之所以代码把这些参数开放出来，是有一定的意义的，下面就让我们来一一的看一下各个参数的意义在哪里吧。
sentences：就是每一行每一行的句子，但是句子长度不要过大，简单的说就是上图的样子
sg：这个是训练时用的算法，当为0时采用的是CBOW算法，当为1时会采用skip-gram
size：这个是定义训练的向量的长度
window：是在一个句子中，当前词和预测词的最大距离
alpha：是学习率，是控制梯度下降算法的下降速度的
seed：用于随机数发生器。与初始化词向量有关
min_count： 字典截断.，词频少于min_count次数的单词会被丢弃掉
max_vocab_size：词向量构建期间的RAM限制。如果所有不重复单词个数超过这个值，则就消除掉其中最不频繁的一个,None表示没有限制
sample：高频词汇的随机负采样的配置阈值，默认为1e-3，范围是(0,1e-5)
workers：设置多线程训练模型，机器的核数越多，训练越快
hs：如果为1则会采用hierarchica·softmax策略，Hierarchical Softmax是一种对输出层进行优化的策略，输出层从原始模型的利用softmax计算概率值改为了利用Huffman树计算概率值。如果设置为0（默认值），则负采样策略会被使用
negative：如果大于0，那就会采用负采样，此时该值的大小就表示有多少个“noise words”会被使用，通常设置在（5-20），默认是5，如果该值设置成0，那就表示不采用负采样
cbow_mean：在采用cbow模型时，此值如果是0，就会使用上下文词向量的和，如果是1（默认值），就会采用均值
hashfxn：hash函数来初始化权重。默认使用python的hash函数
iter： 迭代次数，默认为5
trim_rule： 用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受(word, count, min_count)并返回utils.RULE_DISCARD，utils.RULE_KEEP或者utils.RULE_DEFAULT，这个设置只会用在构建词典的时候，不会成为模型的一部分
sorted_vocab： 如果为1（defau·t），则在分配word index 的时候会先对单词基于频率降序排序。
batch_words：每一批传递给每个线程单词的数量，默认为10000，如果超过该值，则会被截断
python-tensorflow
官方网站实现的是n-gram方式
Skip-Gram是给定input word来预测上下文。而CBOW是给定上下文，来预测input word
首先数据还是上边的数据
-
读取数据
words = [] with open("c:/traindatav.txt", "r", encoding="utf-8") as f: for line in f.readlines(): text = line.split(" => ") if len(text) == 2: lable = text[0].strip() listsentence = [w for w in text[1].split(" ") if re.match("[\u4e00-\u9fa5]+", w) and len(w) >= 2] words.extend(listsentence)
words存放单词，这里单词都是按照顺序进入words里边的
-
构建词典
vocabulary_size = 10000 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 for word in words: if word in dictionary: index = dictionary[word] else: index = 0 # dictionary['UNK'] unk_count += 1 data.append(index) count[0][1] = unk_count reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys())) return data, count, dictionary, reverse_dictionary data, count, dictionary, reverse_dictionary = build_dataset(words)
vocabulary_size声明了词典里边用多少单词填充，其余的都用UNK填充，
这里筛选单词的条件是词频，当然这里如果有好的想法也可以自行改进，比如去头除尾，词频太高的也不要，词频太低的也不要，我这里选择了10000歌词去训练
其中dictionary中存放的数据如下图
这里边的数据表示为每个词标注一个索引
其中data里边存放的数据如下图
这里边的数数字标识了words里边词的对应的索引，数据都是从上边的dictionary中取出来的
其中count表示的是词频统计，如下图
reverse_dictionary表示的是dictionary的反转
-
参数声明
batch_size = 128 embedding_size = 128 # Dimension of the embedding vector. skip_window = 1 # How many words to consider left and right. num_skips = 2 # How many times to reuse an input to generate a label. # We pick a random validation set to sample nearest neighbors. Here we limit the # validation samples to the words that have a low numeric ID, which by # construction are also the most frequent. valid_size = 16 # Random set of words to evaluate similarity on. valid_window = 100 # Only pick dev samples in the head of the distribution. valid_examples = np.random.choice(valid_window, valid_size, replace=False) num_sampled = 64 # Number of negative examples to sample. -
构建skip-gram模型的迭代函数
data_index = 0 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) % len(data) for i in range(batch_size // num_skips): target = skip_window # target label at the center of the buffer 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
其中batch = np.ndarray(shape=(batch_size), dtype=np.int32)是产生一个128维的向量， labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32)时产生128*1的一个矩阵，buffer里边存放的是选出来的一个窗口上下文词的索引，数据来源于data，data_index全局标识words的索引，也就是data的每一个值，其作用是为了在每一次迭代的过程中平滑的去产生上下文窗口。
一个叫做skip_window的参数，它代表着我们从当前input word的一侧（左边或右边）选取词的数量。num_skips，它代表着我们从整个窗口中选取多少个不同的词作为我们的output word
-
构建计算图
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) # Ops and variables pinned to the CPU because of missing GPU implementation with tf.device('/cpu:0'): # 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])) # Compute the average NCE loss for the batch. # tf.nce_loss automatically draws a new sample of the negative labels each # time we evaluate the loss. loss = tf.reduce_mean( tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, inputs=embed, labels=train_labels, 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.global_variables_initializer()
首先声明数据placeholder，train_inputs【128】，train_labels【128x1】，然后声明valid_dataset，这个是存放词频相对比较高一些有效词，主要是为了训练结束后计算这些词的相似词
embeddings【10000x128】的词向量矩阵，embed要训练批次对应的词向量矩阵，nce_weights表示nce损失下的权重矩阵，tf.truncated_normal（）产生的是一个截尾的正态分布，nce_biases表示偏置项，loss就是损失函数，也就是目标函数，optimizer表示的是迭代优化随机梯度下降法，用以优化loss函数，步长为1.0，similarity是为了根据embeddings计算valid_dataset中存放的词的相似度
大概的神经网络图如图，知道原理即可，图也是借来的
-
开始迭代计算
num_steps = 100001 with tf.Session(graph=graph) as session: # We must initialize all variables before we use them. init.run() print("Initialized") average_loss = 0 for step in range(num_steps): batch_inputs, batch_labels = generate_batch(batch_size, num_skips, skip_window) feed_dict = {train_inputs: batch_inputs, train_labels: batch_labels} # We perform one update step by evaluating the optimizer op (including it # in the list of returned values for session.run() _, loss_val = session.run([optimizer, loss], feed_dict=feed_dict) average_loss += loss_val if step % 2000 == 0: if step > 0: average_loss /= 2000 # The average loss is an estimate of the loss over the last 2000 batches. print("Average loss at step ", step, ": ", average_loss) average_loss = 0 # Note that this is expensive (~20% slowdown if computed every 500 steps) if step % 10000 == 0: sim = similarity.eval() for i in range(valid_size): valid_word = reverse_dictionary[valid_examples[i]] top_k = 8 # number of nearest neighbors nearest = (-sim[i, :]).argsort()[1:top_k + 1] log_str = "Nearest to %s:" % valid_word for k in range(top_k): close_word = reverse_dictionary[nearest[k]] log_str = "%s %s," % (log_str, close_word) print(log_str) final_embeddings = normalized_embeddings.eval()
其实上边的训练很简单，每次迭代都会根据generate_batch产生batch_inputs, batch_labels，这就是要喂给graph的数据，然后就是执行迭代了，迭代过程中，每个2000次都会输出平均的误差，每个10000次都会计算一下valid_dataset中的词的前topK=8的相似词， 最后final_embeddings存储的就是标准化的词向量。
-最后就是可视化
def plot_with_labels(low_dim_embs, labels, filename='tsne.png'):
assert low_dim_embs.shape[0] >= len(labels), "More labels than embeddings"
plt.figure(figsize=(18, 18)) # in inches
for i, label in enumerate(labels):
x, y = low_dim_embs[i, :]
plt.scatter(x, y)
plt.annotate(label,
xy=(x, y),
xytext=(5, 2),
textcoords='offset points',
ha='right',
va='bottom')
plt.savefig(filename)
try:
from sklearn.manifold import TSNE
import matplotlib.pyplot as plt
tsne = TSNE(perplexity=30, n_components=2, init='pca', n_iter=5000)
plot_only = 500
low_dim_embs = tsne.fit_transform(final_embeddings[:plot_only, :])
labels = [reverse_dictionary[i] for i in range(plot_only)]
plot_with_labels(low_dim_embs, labels)
except ImportError:
print("Please install sklearn, matplotlib, and scipy to visualize embeddings.")
可视化采用的是TSNE，这里就不多说了，如果项具体了解，请参考：数据降维，其他的就不多说了。
word2vec的spark实现
至于spark的实现就直接上代码了，这个很简单，而且官网上也有很详细的教程，个人感觉spark做的api简直就是再也不能人性化了，未来spark的方向也是深度学习和实时流，这个我个人感觉也算是走上spark的主流道路了。坐等人性化深度学习api的来临。
废话不多说，直接上代码。
object WordToVec {
def main(args :Array[String]): Unit ={
val conf = new SparkConf().setAppName("WordToVec")
.setMaster("local")
val sc = new SparkContext(conf)
val stopwords = Array("的","是","你","我","他","她","它","和","了","而","有","人","被","做","对","与") //无效词
val input = sc.textFile("c:/traindataw2v.txt")
.map(line => line.split(" "))
.map(_.filter(_.matches("[\u4E00-\u9FA5]+")).toSeq) //过滤中文
.map(_.filter(!stopwords.contains(_)))
.map(_.filter(_.length >= 2)) //长度必须大于2
val word2vec = new Word2Vec()
.setMinCount(2) //词频大于2的词才能入选词典
.setWindowSize(5) //上下文窗口长度为5
.setVectorSize(50) //词的向量维度为50
.setNumIterations(25) //迭代次数为25
.setNumPartitions(3) // 数据分区3
.setSeed(12345) //随机数产生seed
val model = word2vec.fit(input)
// model.save(sc, "D:/word2vecTmal")
// val model = Word2VecModel.load(sc,"D:/word2vecTmal")
val word = model.getVectors.keySet
val writer = new PrintWriter(new File("c:/resultw2v.txt" ))
model.getVectors.foreach(kv => {
writer.write(kv._1 + " => " + kv._2.mkString(" ") + "\n")
})
writer.close()
val synonyms = model.findSynonyms("很好", 5) //计算很好一次的5个最相似的词并输出
for((synonym, cosineSimilarity) <- synonyms) {
println(s"$synonym $cosineSimilarity")
}
sc.stop()
}
}
总结
个人建议，训练word2vec的时，如果想在单机情况下去训练的话最好用第一种方案，如果想在集群，或者数据量比较大的情况下可以采用分布式的spark训练，这两个的结果可靠性都要比tensorflow官方实现的要好。这跟tensorflow的实现方法是有直接关系的。
好了不多说了，大家可以自己去实践一下，毕竟我说的不算，实践是最好的老师。后续会持续书写相关的算法，敬请期待，都是干货，不掺水。
