【NLP实战】tensorflow词向量训练实战

有三AI 2019/10/13 10:47

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:

新知图谱, 【NLP实战】tensorflow词向量训练实战

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。

f inal_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:

新知图谱, 【NLP实战】tensorflow词向量训练实战

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。

读者们可以留言,或者加入我们的 NLP群 进行讨论。感兴趣的同学可以微信搜索 jen104 ,备注" 加入有三AI NLP群"

下期预告:贝叶斯文本分类介绍

知识星球推荐

新知图谱, 【NLP实战】tensorflow词向量训练实战

扫描上面的二维码,就可以加入我们的星球,助你成长为一名合格的自然语言处理算法工程师。

知识星球主要有以下内容:

(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景,几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点,通过介绍聊天机器人的原理和实践,逐步系统的更新到大部分NLP的知识,会包括语义匹配,文本分类,意图识别,语义匹配命名实体识别、对话管理以及分词等。

(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性,就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施,目前各大公司都在着力打造知识图谱,作为一个NLP工程师,必须要熟悉和了解他。

(3) NLP预训练模型。基于海量数据,进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式,很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解?

转载文章请后台联系

侵权必究

新知图谱, 【NLP实战】tensorflow词向量训练实战

有三AI
+ 关注

更多新知