NLP︱R语言实现word2vec（词向量）经验总结（消除歧义词向量的可加性）

Posted 2020-08-20 悟乙己

 

 

 

R语言由于效率问题，实现自然语言处理的分析会受到一定的影响，如何提高效率以及提升词向量的精度是在当前软件环境下，比较需要解决的问题。

 

笔者认为还存在的问题有：

1、如何在R语言环境下，大规模语料提高运行效率？

2、如何提高词向量的精度，或者说如何衡量词向量优劣程度？

3、词向量的功能性作用还有哪些值得开发？

4、关于语义中的歧义问题如何消除？

5、词向量从”词“往”短语“的跨越？

 

转载请注明出处以及作者（Matt）,欢迎喜欢自然语言处理一起讨论~

 

————————————————————————————————————————————————

 

一、大规模语料提高运行效率

 

从训练参数、优化训练速度入手。

 

1、训练参数

 

 

训练参数的选择是提高效率的关键之处，一些经验参数训练的经验（一部分来源小桥流水博客）：

1. window在5~8，我用的8，感觉还不错，CBOW一般在5，SKIP在10左右比较适合；
2. 其他的可以参考：

 

· 架构：skip-gram（慢、对罕见字有利）vs CBOW（快）

· 训练算法：分层softmax（对罕见字有利）vs 负采样（对常见词和低纬向量有利）

· 欠采样频繁词：可以提高结果的准确性和速度（适用范围1e-3到1e-5）

· 文本（window）大小：skip-gram通常在10附近，CBOW通常在5附近

 

词嵌入的质量也非常依赖于上下文窗口大小的选择。通常大的上下文窗口学到的词嵌入更反映主题信息，而小的上下文窗口学到的词嵌入更反映词的功能和上下文语义信息。

1、维数，一般来说，维数越多越好(300维比较优秀)，当然也有例外；

2、训练数据集大小与质量。训练数据集越大越好，覆盖面广，质量也要尽量好。

3、参数设置，一般如windows，iter、架构选择比较相关。

 

 

 

2、优化训练速度

 

（一部分来源小桥流水博客）

 

 

1. 选择cbow模型，根据经验cbow模型比skip-gram模型快很多，并且效果并不比skip-gram差，感觉还好一点；

2. 线程数设置成跟cpu核的个数一致；

3. 迭代次数5次差不多就已经可以了；

 

3、使用Glove训练词向量（text2vec包）

参考博客：text2vec（参考博客：重磅︱R+NLP：text2vec包——New 文本分析生态系统 No.1（一,简介））

 

 

————————————————————————————————————————————————

 

二、词向量表示精度

 

不同的词向量表达方式也有着不同的优劣势，

1、NLP︱高级词向量表达（一）——GloVe（理论、相关测评结果、R&python实现、相关应用） 
2、NLP︱高级词向量表达（二）——FastText（简述、学习笔记） 
3、NLP︱高级词向量表达（三）——WordRank（简述） 

现在比较多见的词向量表示方式：GloVe、fasttext、wordRank、tfidf-BOW、word2vec

根据Ranking算法得到的wordRank，与 word2vec、fastText三者对比 

相似词的寻找方面极佳，词类比方面不同数据集有不同精度。

不过，上述都是实验数据，从实际效果来看，TFIDF-BOW的效果，在很多情况下比这些高阶词向量表示的方式还要好，而且操作简单，值得推广！

 

——————————————————————————————————————————————————————

 

 

三、词向量的功能、作用

 

1、词向量的可加性

 

词向量有一个潜力非常大的性质，就是向量之间的可加性，比如两个案例：

Vector(巴黎)-Vector(法国)+Vector(意大利)≈Vector(罗马)

Vector(king)-Vector(man)+Vector(woman)≈Vector(queen)

大致的流程就是king的woman约等于queen，当然为什么要减去man,这里man会干扰king词，所以减去。

差即是投影，就是一个单词在不同上下文中的相对出现。平均两个向量更好，而不是取其总和。

 

 

2、消除歧义

 

上面king-man就是消除歧义的一种方式，这里要用到线性代数的方式，king-man之后就把man这层意思消除掉了。

不过，得先大规模识别歧义词，有待后续研究。

也许你寄希望于一个词向量能捕获所有的语义信息（例如run即是动车也是名词），但是什么样的词向量都不能很好地进行凸显。 
这篇论文有一些利用词向量的办法：Improving Word Representations Via Global Context And Multiple Word Prototypes(Huang et al. 2012) 
解决思路：对词窗口进行聚类，并对每个单词词保留聚类标签，例如bank1, bank2等

来源博客：NLP︱Glove词向量表达（理论、相关测评结果、R&python实现提及）

 

3、词聚类

 

通过聚类，可以去挖掘一些关于某词的派生词；或者寻找相同主题时，可以使用。

 

 

4、词向量的短语组合word2phrase

 

通过词向量构造一些短语组合，要分成两步来探索：

（1）词语如何链接起来？（参考论文）

（2）链接起来，用什么方法来记录组合短语？——平均数

比如”中国河“要变成一个专用短语，那么可以用”中国“+”河“向量的平均数来表示，然后以此词向量来找一些近邻词。

 

5、sense2vec

 

利用spacy把句子打散变成一些实体短语（名词短语提取），然后利用word2vec变成sense向量，这样的向量就可以用来求近似。譬如输入nlp，出现的是ml，cv。

关于spacy这个python模块的介绍，可以看自然语言处理工具包spaCy介绍

关于Sense2vec可以参考博客：https://explosion.ai/blog/sense2vec-with-spacy

sense2vec的demo网站

 

6、近义词属性

 

词向量通过求近似，可以获得很好的一个性质，除了可加性，就是近似性。可以将附近的近义词进行聚合，当然词向量的质量取决于训练语料的好坏。同时，近义词之中，反义词是否能够识别出来，也还是一个值得研究的话题。

 

7、词的类比和线性空间

 

如果我们想要进行单词比较（由a得到b，是因为由A得到B），可以认为对于每个词w，我们有条件概率比的等式

以下就是一个案例：

 

类比是可以找到单词之间对等关系。条件概率比的等式如何转换为单词向量？

 

我们可以使用类比来表示单词意思（如用向量改变性别），语法（如改变时态）或其他类比（如城市与其邮政编码）。 似乎类比不仅是单方面的技巧 - 我们可能可以一直使用它们来考虑问题，详见：

George Lakoff, Mark Johnson, Metaphors We Live By (1980)

 

8、高维可视化

一些工具可以实现，譬如Embedding Projector

我们可以load自己的数据上去。官网在可视化高维数据的工具 - 谷歌研究博客

 

 

 

——————————————————————————————————————————————————————

 

R语言中Word2vec的包有哪些？

 

R语言中的词向量的包还是比较少的，而且大多数的应用都还不够完善，笔者之前发现有李舰老师写的tm.word2vec包 

重磅︱文本挖掘深度学习之word2vec的R语言实现

 

tm.word2vec包里面的内容太少了，只有一个调用函数比较有效，于是李舰老师又在github上自己写了一个word2vec的函数，但是这个函数调用起来还不是特别方便。

 

于是国外有一神人，在李舰老师基础上，借鉴李舰老师word2vec函数，开发了自己的包，wordVectors包（1000W单词，4线程，20min左右），这个包相当优秀，不仅全部集成了李舰老师函数的优势（可以多线程操作、自定义维度、自定义模型），还解决了如何读取输出文件、消除歧义、词云图、词相似性等问题。

 

近日发现了其他两个：一个是text2vec，一个是rword2vec。其中text2vec是现在主要的研究方向：

重磅︱R+NLP：text2vec包简介（GloVe词向量、LDA主题模型、各类距离计算等）

 

——————————————————————————————————————————————————————

 

延伸一：大规模语料训练方式

 

 

在大量语料下，进行训练R语言效率超级低，而python相对较快。

一般来说用python的gensim和spark的mlib比较好。

 

但是笔者在使用过程中出现的情况是：

python的gensim好像只有cbow版本，

R语言，word2vec和glove好像都不能输出txt格式，只有bin文件。

 

同时大规模语料下，fasttext支持ngram向量化，用来搞文本分类还是很棒的。

 

——————————————————————————————————————————————————————

 

延伸二 ： 论文经验解读《Baseline Needs More Love: On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms》

 

文章来源：基线系统需要受到更多关注：基于词向量的简单模型 | ACL 2018论文解读

■ 论文 | Baseline Needs More Love: On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms

■ 链接 | https://www.paperweekly.site/papers/1987

■ 源码 | https://github.com/dinghanshen/SWEM

 

简单的词向量模型（Simple word-embedding model，SWEM），作者提出了下面几种方法。

 

 

SWEM-aver：就是平均池化，对词向量的按元素求均值。这种方法相当于考虑了每个词的信息。

SWEM-max：最大池化，对词向量每一维取最大值。这种方法相当于考虑最显著特征信息，其他无关或者不重要的信息被忽略。

SWEM-concat：考虑到上面两种池化方法信息是互补的，这种变体是对上面两种池化方法得到的结果进行拼接。

SWEM-hier：上面的方法并没有考虑词序和空间信息，提出的层次池化先使用大小为 n 局部窗口进行平均池化，然后再使用全局最大池化。该方法其实类似我们常用的 n-grams 特征。

 

1 几款SWEM特点

SWEM-aver：综合信息

SWEM-max：互补的信息，比较稀疏，个别词语贡献大；虽然效果一般，但是解释力度很大，因为贡献最大的就是几个核心关键词。

SWEM-concat：aver + max，综合了前面两者的优势

SWEM-hier：N-grams的思想，在以上加入了一些词序信息

 

一般来说是：concat>aver>max

 

2 几大任务

文档分类：主题分类

主题分类主要在意的是词粒度，所以SWEM效果非常好（其中concat最好），CNN/LSTM

 

文档分类：情感分类

情感分类，词序信息比较重要，那么CNN/LSTM更能够捕捉。

其中SWEM-hier也有词序信息的考量，不过效果没有CNN/LSTM好。

 

文档分类：本体分类

词粒度的，SWEM-concat比较好

 

文本序列匹配（主要包括自然语言推理，问答中答案句选择和复述识别任务）

序列匹配对于关键词更加敏感，所以SWEM更好。

 

序列标注：命名实体识别等任务

考虑词序信息，CNN/LSTM更好。

 

3、其他一些情况

词向量维度

虽然维度越大，信息越大，效果越好，但是差异不明显。

 

数据集大小

小数据集对于词序的考量更好，关键词密度较低，所以CNN/LSTM更好。而SWEM模型，在长文本上效果更佳。

 

——————————————————————————————————————————————————————

延伸三：文本嵌入的经典模型与最新进展

• 强/快的基线模型：FastText，Bag-of-Words（词袋）

• 最先进的模型：ELMo，Skip-Thoughts，Quick-Thoughts，InferSent，MILA/ MSR 的通用句子表示和 Google 的通用句子编码器。

句向量的代表：

Google 的通用句子编码器（https://arxiv.org/abs/1803.11175），于2018年初发布，采用相同的方法。他们的编码器使用一个转换网络，该网络经过各种数据源和各种任务的训练，目的是动态地适应各种自然语言理解任务。他们也给 TensorFlow 提供了一个预训练的版本 https://www.tensorflow.org/hub/modules/google/universal-sentence-encoder/1。