NLP-文本分类之词向量-word2vec概念和公式理解

Posted 2020-12-12 jadenfk3326

不积跬步无以至千里，不积小流无以成江海！每天一点点，以达到积少成多之效！

word2vec----概念，数学原理理解                                  

1.数据集

　　Kaggle上的电影影评数据，包括unlabeledTrainData.tsv，labeledTrainData.tsv，testData.tsv三个文件

　　Strange things： kaggle，主要为开发商和数据科学家提供举办机器学习比赛、托管数据库、编写和分享代码的平台。

　　　　　　　　　　　　 tsv，即tab separated values（制表符分隔值），就是数据集按照一个tab键的空格大小分开的，如下，

　　　　　　　　　　　　

　　　　　　　　　　　csv，即comma separated values(逗号分隔值)，csv数据集常见些，就是用逗号分隔的数据集，如下　　

　　　　　　　　　　　　

2.pandas等包的函数理解

　　Strange things：   pandas.DataFrame类似于excel，是一种二维表，DataFrame的单元格可以放数值、字符串等。pandas.DataFrame(data，index，columns，dtype，copy)，data：接受的数据的形式，如ndarry，series，map，lists，dict，constant和另一个DataFrame。参考博客(超好理解)：  https://www.cnblogs.com/IvyWong/p/9203981.html

index：行标签。columns：列标签。dtype：每列的数据类型。copy：若默认值为False，则此命令用于复制数据

　　BeautifulSoup：和lxml一样，是一个html/XML的解析器，主要就是如何解析和提取HTML/XML数据。它自动把输入文档转换为Unicode编码，输出文档转换为utf-8编码

 　　BeautifulSoup.get_text()：get_text()方法返回BeautifulSoup对象或标签对象中的文本内容，其为一个Unicode字符串，如https://www.cnblogs.com/eternal1025/p/6866494.html中所示如下

　　　　　　　　　　

 　　DataFrame.apply(function,axis)：对DataFrame里一行或一列做出一些操作（axis=1则为对某一列进行操作，此时，apply函数每次将dataframe的一行传给function，然后获取返回值，将返回值放入一个series)，返回一个新的行(列)。参考博客：https://www.cnblogs.com/liulangmao/p/9342806.html  https://www.cnblogs.com/liulangmao/p/9355633.html 超详细  

          pandas.concat([a1,a2,a3],axis=1)连接函数。axis=1：水平连接，axis=0：竖直连接     参考博客(超详细)：  https://www.cnblogs.com/zknublx/p/9645834.html

 3.word2vec理解

先说什么是语言模型？简单说，就是用概率去判断某句话(文本)是否通顺

可参考博客：https://www.cnblogs.com/guoyaohua/p/9240336.html   仔细的看看，如果理解不了统计语言模型，可去看我的另一篇博客 https://www.cnblogs.com/JadenFK3326/p/11964892.html  是我结合上述博客和<<Python自然语言处理实战：核心技术与算法>> 的理解

还有就是神经网络语言模型(NNLM)，理解了神经网络语言模型对于理解word2vec有很大 的帮助，对以后的CNN、LSTM进行文本分析也有很大帮助。摘自 https://www.cnblogs.com/xmeo/p/7463946.html

好吧，摊牌了，不装了，对于博客我看的都费劲，看不懂，我太菜了，还好学习统计语言模型，让我高哥(我同门，一数学系大佬过来的)教会了我理解，我又到处搜，好久才定位到百度的关键词(我想要的)，但是写的也比较少，我在这把文本如何转为向量重复一下，对于我这样的菜鸟更好的理解一下。下面我说一下我对博客  https://blog.csdn.net/So_that/article/details/92800259 的理解，有错的请点出来，万分感谢。对于该博客的Forward请看我推荐的统计语言模型，就可以理解了，我从他的“回归正题开始”、

博客中假设词典中有10000个词(语料中不重复的词)，即V=10000，对词典中的词进行one-hot编码如下

[1 0 0 ... 0     #假如第一个字是“我”，则“我”用[1,0,0, ... ,0]表示
 0 1 0 ... 0     #假如第二个字是“是”，第三个字是“中国”，第四个字是“人”
 ...          
 0 0 0 ... 1]    #万维方阵

博客中假设n=6,我这假设n=3,则n-1=2（其中n和n-gram中的n的意思一样，这里表示仅和前2个词有关系）假设输入为“我是中国人。”分词为“我”“是”“中国""人""。"

那么，“我”“是”的one-hot向量表示为(此处为列向量表示)：

则这两个向量拼成一个2*10000的矩阵，然后乘上投影矩阵进行降维处理，其中m是自己设定的(假设m=100)，则降维后是一个2*100的矩阵。

博客中设n=6，n-1=5，认为输入5个one-hot向量(仅和前五个词相关)，这5个向量拼成一个[5*10000]的矩阵，降维是右乘一个[10000*100]的权重矩阵(即投影矩阵)，100为自己设定。此时得到5*100的矩阵，用Z表示，表示第个词对应的特征向量(就是把一开始的5个one-hot稀疏向量转换成了稠密向量)。接着把[5*100]维的向量拼接成一个500维的向量，用这个向量来表示一个单词，即要预测的词，假如我们要预测第1236个词，则

其中，表示从第一个词到第1236个词组成的子序列。

NNLM(神经网络语言模型)的目标是要训练模型，即上面公式的一般化表示。

模型的前馈式计算：

　　1.特征映射：即上面所述的把one-hot稀疏向量转换为稠密向量，然后拼接成一个(n-1)*m维的向量。

　　2.计算概率：把拼接的(n-1)*m维向量输入到函数g中，得到一个概率分布，这个概率分布在这是10000维(词典里所有词的概率)，最大概率的词典中的词即预测的词。

模型详解为：

　　第一步：，即拼接的(n-1)*m维向量输入到此公式

　　　　即经线性变换后，经tanh激活一下得到一个100维向量（）然后左乘一个U得到一个10000维的向量 ()

　　第二步：，即拼接的(n-1)*m维向量输入到此公式

　　　　即W是一个[10000*500]维的矩阵，Wx：，b是[10000*1]，相加得

　　第三步：，得出最终向量即，然后通过softmax激活函数求概率预测

　　　　其中，W，U，H都是权重，d，b都是偏置。softmax预测如下(即激活)

　　调参(这个公式我还么请教大佬，仅仅查看的博主的)：

　　，C是转化后的稠密向量，非是投影矩阵C。参数调优函数即最大化似然函数L,

　　　$ L = frac{1}{T}sum_{t} logf(w_{t},w_{t-1},...,w_{t-(n-1)}; heta ) + R( heta ) $

　　$ R( heta) $为正则化项，更新参数则采用梯度下降算法（这也是我下步要搞懂的）

　　    $ heta leftarrow heta +lambda frac{partial logp(w_{t}|w_{t-1},...,w_{t-(n-2))},w_{t-(n-1)})}{partial heta} $

$lambda$为学习步长

 从统计语言模型开始，到神经网络语言模型，再到word2vec，为什么？解决了什么不足？可参考博客(我老郭家的人写的) https://www.cnblogs.com/guoyaohua/p/9240336.html?utm_source=tuicool&utm_medium=referral      

 好，我也是好好学了NNLM模型，下面开始word2vec的两个模型：CBoW和Skip-gram

参考博客还有：https://www.cnblogs.com/jiangxinyang/p/9332769.html    word2vec的基础是霍夫曼树(学过数据结构的话就知道了，没学过也没啥，超简单) https://www.cnblogs.com/pinard/p/7160330.html 个人感觉这个刘建平博主的博客容易理解些，可以看这个的word2vec原理去学习 

Skip-gram模型

 以中心词预测上下文词。输入是中心词的one-hot编码形式，隐藏层做线性变换，输出的是sofmax函数激活后的概率

 和CBoW模型正好反过来，输入是一个词向量，所以从输入层到投影层(隐藏层)就简单了，然后就是输出层的霍夫曼树了

目标函数（即用的似然函数）：$ prod_{t=1}^{T}prod_{-mleq jleq m,j eq 0}^{}P(w^{t+j}|w^{t}) $     目标是要最大化这个目标函数

给定中心词生成背景词的条件概率(对两者的向量做内积，然后做softmax)：$ P(w_{o}|w_{c}) = frac{exp(u_{o}^{T})}{sum_{iepsilon V}^{}exp(u_{i}^{T}v_{c}))} $

损失函数：$ -sum_{t=1}^{T}sum_{-mleqslant jleq m,j eq 0}^{}logP(w^{t+j}|w^{t}) $      最大化目标函数就等价于最小化这个损失函数

然后把$ P(w_{o}|w_{c}) $带入损失函数中，分别对要学习的参数进行求导(求导自己学了呀)，优化即可。

CBoW模型(Continuous Bag-of-Words Model)

 以上下文的词预测中间词。输入是上下文词的one-hot编码，隐藏层对输入值进行了加法运算，无激活函数，输出层和输入层维度一致

 https://blog.csdn.net/github_36235341/article/details/78607323     

CBoW模型无隐藏层，仅输入层+投影层+输出层，且输出层是一个霍夫曼树，沿着霍夫曼树寻找要预测的词，极大化从根节点走到预测词叶子节点路径上概率相乘的值。霍夫曼树是根据语料库中的词及其频率而建(构建依据：左0(负类)右1(正类))。

类似于Skip-gram模型，不同的是CBoW给定背景词生成中心词的条件概率:  $ P(w_{c}|w_{o_{1}},cdots ,w_{o_{2m}})=frac{exp(frac{1}{2m}u_{c}^{T}(v_{o_{1}},cdots ,v_{o_{2m}}))}{sum_{iepsilon V}^{}exp(frac{1}{2m}u_{i}^{T}(v_{o_{1}},cdots ,v_{o_{2m}}))} $

 为了公式简洁，令$ W_{o}=left { w_{o_{1}},cdots ,w_{o_{2m}} ight } $, $ ar{v_{o}}=frac{v_{o_{1}}+cdots +v_{o_{2m}}}{2m}  $

那么CBoW给定背景词生成中心词的条件概率公式则可写为：$  P(w_{c}|W_{o})=frac{exp(u_{c}^{T}ar{v_{o}})}{sum_{iepsilon V}^{}exp(u_{i}^{T}ar{v_{o}})}  $

目标函数：$ prod_{t=1}^{T}P(w^{t}|w^{t-m},cdots ,w^{t-1},w^{t+1},cdots ,w^{t+m}) $

损失函数：$ -sum_{t=1}^{T}logP(w^{t}|w^{t-m},cdots ,w^{t-1},w^{t+1},cdots ,w^{t+m}) $

然后同样是对损失函数中需要优化的参数进行求导，然后优化。。。

由于篇幅已经挺长了，代码实现写在后面的博客中。。。如果有错误，请在下面评论区提出来，咱们共同学习