word2vec是一个开源的nlp工具，它可以将所有的词向量化。至于什么是词向量，最开始是我们熟悉的one-hot编码，但是这种表示方法孤立了每个词，不能表示词之间的关系，当然也有维度过大的原因。后面发展出一种方法，术语是词嵌入。
[1.词嵌入]
词嵌入（Word Embedding）是NLP中语言模型与表征学习技术的统称，它就是将one-hot表示的词“嵌入”到一个低维空间中，简单点就是嵌入矩阵E与词的one-hot的乘积，数学关系为：
举个例子，如果有2000个词的字典，那么每个词的one-hot形式就是2000*1，如果学习到嵌入矩阵为300 * 2000的化，那么将生成300 * 1的词向量，就那么简单。还有，嵌入矩阵一般这样表示，频数是统计来的：
[2.Word2Vec]
Word2Vec是很流行的词嵌入算法，它通常包含两个模型，一个是Skip-Gram模型，这个模型的思想是，选定中间的词（Context），然后在这个词的正负n个词内选择目标词（Target）与之对应，构造一个用Context预测输出为Target的监督学习问题，训练一个如下图结构的网络（吴恩达的课件）：
Skip-Gram
其实还有其他的一些细节，但是说的太细了，写不完，具体我一会慢慢完善。
还有一个是CBOW(Continuous Bag-of-Words Model)，它的工作原理与Skip-Gram原理相反，他是用上下文预测中间的词。
接下来，我将用tensorflow来实现一个Skip-Gram，代码来自于tensorflow的word2vec的改编，是基于这位博主，如果想看可以去github看tensorflow的例子。不罗嗦，直接上代码。
3. 高亮一段代码[^code]
import time
import numpy as np
import tensorflow as tf
import random
from collections import Counter
with open('data/text8') as f:
text = f.read()
#定义函数来完成数据的预处理
def preprocess(text, freq=5):
'''
对文本进行预处理
:param text: 文本数据
:param freq: 词频阈值
'''
#对文本中的符号进行替换，下面都是用英文翻译来替代符号
text = text.lower()
text = text.replace('.', ' <PERIOD> ')
text = text.replace(',', ' <COMMA> ')
text = text.replace('"', ' <QUOTATION_MARK> ')
text = text.replace(';', ' <SEMICOLON> ')
text = text.replace('!', ' <EXCLAMATION_MARK> ')
text = text.replace('?', ' <QUESTION_MARK> ')
text = text.replace('(', ' <LEFT_PAREN> ')
text = text.replace(')', ' <RIGHT_PAREN> ')
text = text.replace('--', ' <HYPHENS> ')
text = text.replace(':', ' <COLON> ')
words = text.split()
#删除低频词，减少噪音影响
word_counts = Counter(words)
trimmed_words = [word for word in words if word_counts[word] > freq] #这句话很好，可以模仿
return trimmed_words
#清洗文本并分词
words = preprocess(text)
# print(words[: 200])
#构建映射表
vocab = set(words)
vocab_to_int = {w: c for c, w in enumerate(vocab)}
int_to_vocab = {c: w for c, w in enumerate(vocab)}
print('total words: {}'.format(len(words))) #还有这种输出方法，学习一下
print('unique words: {}'.format(len(set(words))))
#对原文本进行vocab到int的转换
int_words = [vocab_to_int[w] for w in words]
#--------------------------------------------------------------------采样
t = 1e-5 #t值
threshold = 0.8 #删除概率阈值
#统计单词出现频数
int_word_counts = Counter(int_words)
total_count = len(int_words)
#计算单词频率
word_freqs = {w: c / total_count for w, c in int_word_counts.items()}
#计算单词被删除的概率
prob_drop = {w: 1 - np.sqrt(t / word_freqs[w]) for w in int_word_counts}
#对单词进行采样
train_words = [w for w in int_words if prob_drop[w] < threshold]
print(len(train_words))
#-----------------------------------------------------------------------采样
#获得input word的上下文单词列表
def get_targets(words, idx, window_size = 5):
'''
获得input word的上下文单词列表
:param words: 单词列表
:param idx: input word 的索引号
:param window_size: 窗口大小
'''
target_window = np.random.randint(1, window_size + 1) #从1到 window_size+1 之间的数，包括1，不包括最后一个
#这里要考虑input word前面单词不够的情况，但是为什么没有写后面单词不够的情况呢，
#因为python里面的list取分片越界时会自动只取到结尾的
start_point = idx - target_window if (idx - target_window) > 0 else 0 #虽说不能写三元表达式，但这个挺不错的
end_point = idx + target_window
#output words(即窗口中的上下文单词，不包含目标词，只是它的上下文的词)
targets = set(words[start_point: idx] + words[idx + 1: end_point + 1])
return list(targets)
#构造一个获取batch的生成器
def get_batches(words, batch_size, window_size = 5):
'''
构造一个获取batch的生成器
'''
n_batches = len(words) // batch_size
#仅取full batches
words = words[: n_batches * batch_size]
for idx in range(0, len(words), batch_size): #range(start, stop[, step])
x, y = [], []
batch = words[idx: idx + batch_size]
for i in range(len(batch)):
batch_x = batch[i]
batch_y = get_targets(batch, i, window_size) #从一个batch的第0位开始，一直往下滑，直到最后一个
#由于一个input word会对应多个output word，因此需要长度统一
x.extend([batch_x] * len(batch_y))
y.extend(batch_y)
yield x, y
#构建网络，该部分主要包括：输入层，Embedding，Negative Sampling
train_graph = tf.Graph()
with train_graph.as_default():
inputs = tf.placeholder(tf.int32, shape=[None], name='inputs')
labels = tf.placeholder(tf.int32, shape=[None, None], name='labels') #一般是[batch_size, num_true]，num_true一般为1
vocab_size = len(int_to_vocab)
embedding_size = 200 #嵌入维度
with train_graph.as_default():
#嵌入层权重矩阵
embedding = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1, 1)) #tf.random_uniform((4, 4), minval=low,maxval=high,dtype=tf.float32)))返回4*4的矩阵
# ，产生于low和high之间，产生的值是均匀分布的。
embed = tf.nn.embedding_lookup(embedding, inputs) #[None, embedding_size]，一般是[batch_size, embedding_size]
#-----------------------------------------------------------负采样（Negative Sampling）
n_sampled = 100
with train_graph.as_default():
sotfmax_w = tf.Variable(tf.truncated_normal([vocab_size, embedding_size], stddev=0.1)) #[vocab_size, dim], dim就是embedding_size
sotfmax_b = tf.Variable(tf.zeros(vocab_size)) #[vocab_size]
#计算negative sampling下的损失
#tf.nn.sampled_softmax_loss()进行了negative sampling，它主要用在分类的类别较大的情况
loss = tf.nn.sampled_softmax_loss(sotfmax_w, sotfmax_b, labels, embed, n_sampled, vocab_size)
cost = tf.reduce_mean(loss)
optimizer = tf.train.AdamOptimizer().minimize(cost)
#-----------------------------------------------------------负采样
#为了直观看到训练结果，我们将查看训练出的相近语义的词
with train_graph.as_default():
#随机挑选一些单词
valid_size = 16
valid_window = 100
#从不同位置各选8个词
valid_examples = np.array(random.sample(range(valid_window), valid_size // 2)) #random.sample(seq, n) 从序列seq中选择n个随机且独立的元素
#np.append([1, 2, 3], [[4, 5, 6], [7, 8, 9]])，结果是array([1, 2, 3, 4, 5, 6, 7, 8, 9])
valid_examples = np.append(valid_examples, random.sample(range(1000, 1000 + valid_window), valid_size // 2))
valid_size = len(valid_examples)
#验证单词集
valid_dataset = tf.constant(valid_examples, dtype=tf.int32)
#计算每个词向量的模并进行单位化
norm = tf.sqrt(tf.reduce_sum(tf.squeeze(embedding), 1, keep_dims=True))
normalized_embedding = embedding / norm
#查找验证单词的词向量
valid_embedding = tf.nn.embedding_lookup(normalized_embedding, valid_dataset)
#计算余弦相似度
similarity = tf.matmul(valid_embedding, tf.transpose(normalized_embedding))
#进行训练
epochs = 10 #迭代次数
batch_size = 1000 #batch大小
window_size = 10 #窗口大小
with train_graph.as_default():
saver = tf.train.Saver() #文件存储
with tf.Session(graph=train_graph) as sess:
iteration = 1
loss = 0
sess.run(tf.global_variables_initializer())
for e in range(1, epochs + 1):
batches = get_batches(train_words, batch_size, window_size)
start = time.time()
for x, y in batches:
feed = {
inputs : x,
labels : np.array(y)[:, None]
}
train_loss, _ = sess.run([cost, optimizer], feed_dict=feed)
loss += train_loss
if iteration % 100 == 0:
end = time.time()
print('Epoch {}/{}'.format(e, epochs),
'Iteration: {}'.format(iteration),
'Avg. Training loss: {:.4f}'.format(loss / 100), #这是一种数字格式化的方法，{:.4f}表示保留小数点后四位
'{:.4f} sec / batch'.format((end-start) / 100))
loss = 0
start = time.time()
#计算相似的词
if iteration % 1000 == 0:
#计算similarity
sim = similarity.eval()
for i in range(valid_size):
valid_word = int_to_vocab[valid_examples[i]]
top_k = 8 #取最相似单词的前8个
nearest = (-sim[i, :]).argsort()[1: top_k + 1]
log = 'Nearest to [%s]:' % valid_word
for k in range(top_k):
close_word = int_to_vocab[nearest[k]]
log = '%s%s,' % (log, close_word)
print(log)
iteration += 1
save_path = saver.save(sess, 'model/text8.ckpt')
embed_mat = sess.run(normalized_embedding)
#下面这部分代码出错了，暂时没明白咋回事
import matplotlib.pyplot as plt
from sklearn.manifold import TSNE
viz_words = 500
tsne = TSNE()
embed_tsne = tsne.fit_transform(embed_mat[:viz_words, :])
fig, ax = plt.subplots(figsize=(14, 14))
for idx in range(viz_words):
plt.scatter(*embed_tsne[idx, :], color='steelblue')
plt.annotate(int_to_vocab[idx], (embed_tsne[idx, 0], embed_tsne[idx, 1]), alpha=0.7)