词嵌入降低分类精度

Posted 2023-03-12

【中文标题】词嵌入降低分类精度

【英文标题】：Word embedding decreasing classification precision

【发布时间】：2018-12-28 12:32:55

【问题描述】：

我目前正在尝试将文本分为 7 个类别。 到目前为止，我已经能够使用多数投票（使用 SVM、多项式 NB、随机森林和 KNN）达到 90% 的精度分数)。

我想尝试通过使用词嵌入来进一步提高这种精度，从而减少样本的维度。我使用 gensim word2vec 创建我的模型和 NLTK 停用词列表和标记器：

with open('data.pkl','r') as f:
    corpus=pickle.load(f)

with open('targets.pkl','r') as f:
    targets=pickle.load(f)

tokenized_corpus=[word_tokenize(anomaly) for anomaly in corpus]
stop_words=['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', "you're", "you've", "you'll", "you'd", 'your', 'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 'himself', 'she', "she's", 'her', 'hers', 'herself', 'it', "it's", 'its', 'itself', 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 'that', "that'll", 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 'of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above', 'below', 'to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 'once', 'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other', 'some', 'such', 'no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will', 'just', 'don', "don't", 'should', "should've", 'now', 'd', 'll', 'm', 'o', 're', 've', 'y', 'ain', 'aren', "aren't", 'couldn', "couldn't", 'didn', "didn't", 'doesn', "doesn't", 'hadn', "hadn't", 'hasn', "hasn't", 'haven', "haven't", 'isn', "isn't", 'ma', 'mightn', "mightn't", 'mustn', "mustn't", 'needn', "needn't", 'shan', "shan't", 'shouldn', "shouldn't", 'wasn', "wasn't", 'weren', "weren't", 'won', "won't", 'wouldn', "wouldn't"]
for i,anomaly in enumerate(tokenized_corpus):
    for w in anomaly:
        if w in stop_words:
            tokenized_corpus[i].remove(w)

model = gensim.models.Word2Vec(
        tokenized_corpus,
        window=5,
        size=100)

model.train(tokenized_corpus, total_examples=len(corpus), epochs=10)

模型看起来不错，当我使用单词之间的相似度时，我得到了令人满意的结果。

我使用这个类来获得我的样本的平均表示：

class MeanEmbeddingVectorizer(object):
    def __init__(self, word2vec):
        self.word2vec = word2vec
        if len(word2vec)>0:
            self.dim=len(word2vec[next(iter(word2vec))])
        else:
            self.dim=0

    def fit(self, X, y):
        return self 

    def transform(self, X):
        return np.array([
            np.mean([self.word2vec[w] for w in words if w in self.word2vec] 
                    or [np.zeros(self.dim)], axis=0) #moyenne des vecteurs des mots (a.word2vec[w])[ou 0 si il connait pas le mot] composant un élément de X
            for words in X
        ])

和

w2v = dict(zip(model.wv.index2word, model.wv.syn0))
a=MeanEmbeddingVectorizer(w2v)    
X_transformed=a.transform(tokenized_corpus)

最后，我构建了一个通用的 sklearn 管道，让 sklearn 对我的数据执行 GridSearchCV：

test_param_n_estimators=[i for i in range(1,50)]
parameters = 'clf2__n_estimators': test_param_n_estimators

pip=Pipeline([['clf2',RandomForestClassifier()]])

gs_clf2 = GridSearchCV(pip, parameters,verbose=10,n_jobs=2)
gs_clf2 = gs_clf2.fit(X_transformed, targets)

print(gs_clf2.best_score_)
print(gs_clf2.best_params_)

问题是我得到随机精度分数（大约 0.5）。

也许降维并不总是能够提高精度，但我认为我不明白某些事情或我做错了什么，您知道出了什么问题吗？

提前谢谢你

【参考方案1】：

您似乎没有以正确的方式从模型中提取向量。 你应该使用：

np.mean([model.wv[w] for w in words if w in model.wv.vocab] 
                or [np.zeros(model.dim)], axis=0)

此外，由于您将 tokenized_corpus 传递给您的 Word2Vec 模型 constructor 和 model.train，因此您正在训练您的模型两次。

【讨论】：

我犯了一个错误，试图减小代码的大小以缩短我的问题。确实，我在最初的问题中编写的代码不起作用，我只是对其进行了编辑。关于word2vec，你的意思是构造函数自动训练模型？