NLP.TM | GloVe模型及其Python实现

在进行自然语言处理中，需要对文章的中的语义进行分析，于是迫切需要一些模型去描述词汇的含义，很多人可能都知道word2vector算法，诚然，word2vector是一个非常优秀的算法，并且被广泛运用，为人们熟知，然而，从结果的优劣性来看，其实word2vector并非唯一的优秀方案，斯坦福大学提出的GloVe就是其中之一。今天我来为大家介绍一下GloVe模型，但是重点，还是放在实现上。

原论文：http://www.eecs.wsu.edu/~sji/classes/DL16/CNN-text/glove.pdf

简单地说一下原理

这里的原理我主要参考了两篇博客，感谢两位优秀的博主。

理解GloVe模型（+总结）：https://blog.csdn.net/u014665013/article/details/79642083

GloVe模型：https://www.cnblogs.com/Weirping/p/7999979.html

前者会比较通俗，后者则比较深刻。

共现关系

和word2vector不同，GloVe更倾向于进行分析前后语境之间的共现关系，通过共现关系抽象出词向量。

所谓的共现，共同出现，其实就是看一个词有没有在另一个词的附近出现，所谓的附近，其实就是一个移动窗口的概念，定义窗口的半径（从中心词到边缘的距离）后，看看方圆多少范围内出现词的个数，就是共现，现在看看例子。

假设语料库就只有下面一行：

i love you but you love him i am sad

设半径为2，于是移动窗口的滑动就有下面的形式：

以窗口5为例，此处就可以认为，love分别和but, you, him, i共同出现了一次，通过这种方式去计数，就能知道任意两个词之间的共现关系（一般是可逆的），构成共现矩阵X，一般地，X是一个对称矩阵。

词向量的产生

首先，模型的损失函数长这样的：

image

vi和vj是词汇i和j的词向量，bi和bj是常数项，f是特定的权重函数，N是词汇表大小。

这个损失函数怎么来的，我觉得上面的第一个链接讲的非常清楚，看的时候注意一个核心，就是考虑两个词汇的共现关系与词向量之间的关系（映射）尽可能接近，于是就构造了上面的损失函数。

GloVe的Python实现

在pypi里面看到了很多GloVe的包，但是很多都有坑，我直接说一个我自己已经走通的包mittens。

下载方式还是比较简单的， pip install mittens基本没什么问题，想要去看看源码的话，在这里：

https://github.com/roamanalytics/mittens

一般而言GloVe按照计算共现矩阵和GloVe训练两大模块，而mittens里面其实只提供了后者，前者还是需要自己写，这是我写的部分内容，给大家详细讲讲(复杂度啥的基本没做什么优化，欢迎提出一些意见)。

共现矩阵的计算

将之前事先说明一下，现在读进来的数据，即代码中的“data”变量，每行不是对应的单词或者短语，而是已经对应在词典中的该短语的index（自己构建词典，一般设置为0-(N-1)，N为词典中词语的个数），尤其在后面的cooccurrence的统计，即如果句子数组中的第i个词语是词典中的第j个词，则句子向量中第i个位置就是数字j，这种方式对cooccurrence的统计非常方便。

# 构建空的词表
coWindow = 3 # 共现窗口大小（半径）
tableSize = 1000 # 共现矩阵维度
cooccurrence = np.zeros((tableSize, tableSize), "int64" )

首先是数据初始化，这里不详细说数据载入了，但是共现矩阵当然是需要初始化的（np是numpy别忘了）。

# 开始统计
flag = 0
for item in data:
   itemInt = [int(x) for x in item]
   for core in range(1, len(item)):
       if core <= coWindow + 1:
           # 左窗口不足
           window = itemInt[1:core + coWindow + 1]
           coreIndex = core - 1
           cooccurrence = countCOOC(cooccurrence, window, coreIndex)
       elif core >= len(item) - 1 - coWindow:
           # 右窗口不足
           window = itemInt[core - coWindow:(len(item))]
           coreIndex = coWindow
           cooccurrence = countCOOC(cooccurrence, window, coreIndex)
       else:
           # 左右均没有问题
           window = itemInt[core - coWindow:core + coWindow + 1]
           coreIndex = coWindow
           cooccurrence = countCOOC(cooccurrence, window, coreIndex)
   flag = flag + 1
   if flag % 1000 == 0:
       endTime = datetime.datetime.now()
       print("已经计算了%s条数据，用时%s" % (flag, endTime - startTime))

这一块里面主要是为了设置移动窗口来进行挪动识别，具体统计移动窗口内部的共现，是在countCOOC函数里面做的。

def countCOOC(cooccurrence, window, coreIndex):
   # cooccurrence：当前共现矩阵
   # window：当前移动窗口数组
   # coreIndex：当前移动窗口数组中的窗口中心位置
   for index in range(len(window)):
       if index == coreIndex:
           continue
       else:
           cooccurrence[window[coreIndex]][window[index]] = cooccurrence[window[coreIndex]][window[index]] + 1
   return cooccurrence

countCOOC用来当前移动窗口的共现，一个一个计数即可。

GloVe的训练

# 包的引入
from mittens import GloVe
# 初始化模型
vecLength=100           # 矩阵长度
max_iter=100000         # 最大迭代次数
display_progress=1000   # 每次展示
glove_model = GloVe(n=vecLength, max_iter=max_iter, display_progress=display_progress)
# 模型训练与结果输出
embeddings = glove_model.fit(coocMatric)

引入包之后，配置相应的参数，然后可以开始训练，训练完的返回值embeddings就是得到的词向量词典，通过词向量词典，就能够将每篇文本的每一个单词转化为词向量，从而进行进一步分析。

小结

GloVe终于写完了，不知道大家觉得怎么样，关于原理写的人相对比较多，也理解的比我好我就不再解释了，而代码这块，网上写的不多，所以我写得详细一些，这也是我把结果写出来的核心代码，有什么问题我来回答，欢迎通过下面的联系方式联系我。