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：

使用一个尺寸为 1 的特定窗口
通过指定窗口大小，也表示指定了在给定单词的右侧和左侧将考虑的单词数
给定窗口大小 1，则输入和输出单词如下所示：

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-gram 和 CBOW 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 2015 年 2 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：

数据集查看

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)

在 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)