词袋模型(Bag of Words Model)
词袋模型的概念
先来看张图,从视觉上感受一下词袋模型的样子。
词袋模型看起来像一个口袋把所有词都装进去,但却不完全如此。在自然语言处理和信息检索中作为一种简单假设,词袋模型把文本(段落或者文档)被看作是无序的词汇集合,忽略语法甚至是单词的顺序,把每一个单词都进行统计,同时计算每个单词出现的次数,常被用在文本分类中,如贝叶斯算法、LDA 和 LSA等。
动手实战词袋模型
(1)词袋模型
本例中,我们自己动手写代码看看词袋模型是如何操作的。
首先,引入 jieba 分词器、语料和停用词(标点符号集合,自己可以手动添加或者用一个文本字典代替)。
import jieba #定义停用词、标点符号 punctuation = [",","。", ":", ";", "?"] #定义语料 content = ["机器学习带动人工智能飞速的发展。", "深度学习带动人工智能飞速的发展。", "机器学习和深度学习带动人工智能飞速的发展。" ]
接下来,我们先对语料进行分词操作,这里用到 lcut() 方法:
#分词 segs_1 = [jieba.lcut(con) for con in content] print(segs_1)
得到分词后的结果如下:
[['机器', '学习', '带动', '人工智能', '飞速', '的', '发展', '。'], ['深度', '学习', '带动', '人工智能', '飞速', '的', '发展', '。'], ['机器', '学习', '和', '深度', '学习', '带动', '人工智能', '飞速', '的', '发展', '。']]
因为中文语料带有停用词和标点符号,所以需要去停用词和标点符号,这里语料很小,我们直接去标点符号:
tokenized = [] for sentence in segs_1: words = [] for word in sentence: if word not in punctuation: words.append(word) tokenized.append(words) print(tokenized)
去标点符号后,我们得到结果如下:
[['机器', '学习', '带动', '人工智能', '飞速', '的', '发展'], ['深度', '学习', '带动', '人工智能', '飞速', '的', '发展'], ['机器', '学习', '和', '深度', '学习', '带动', '人工智能', '飞速', '的', '发展']]
下面操作就是把所有的分词结果放到一个袋子(List)里面,也就是取并集,再去重,获取对应的特征词。
#求并集 bag_of_words = [ x for item in segs_1 for x in item if x not in punctuation] #去重 bag_of_words = list(set(bag_of_words)) print(bag_of_words)
得到的特征词结果如下:
['飞速', '的', '深度', '人工智能', '发展', '和', '机器', '学习', '带动']
我们以上面特征词的顺序,完成词袋化:
bag_of_word2vec = [] for sentence in tokenized: tokens = [1 if token in sentence else 0 for token in bag_of_words ] bag_of_word2vec.append(tokens)
最后得到词袋向量:
[[1, 1, 0, 1, 1, 0, 1, 1, 1], [1, 1, 1, 1, 1, 0, 0, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1]]
上面的例子在编码时,对于 for 循环多次直接用到列表推导式。在 Python 中,列表推导式的效率比 for 快很多,尤其在数据量大的时候效果更明显,建议多使用列表推导式。
(2)Gensim 构建词袋模型
下面我们介绍 Gensim 库的使用,继续沿用上面的例子:
from gensim import corpora import gensim #tokenized是去标点之后的 dictionary = corpora.Dictionary(tokenized) #保存词典 dictionary.save('deerwester.dict') print(dictionary)
这时我们得到的结果不全,但通过提示信息可知道共9个独立的词:
Dictionary(9 unique tokens: ['人工智能', '发展', '学习', '带动', '机器']...)
那我们如何查看所有词呢?通过下面方法,可以查看到所有词和对应的下标:
#查看词典和下标 id 的映射 print(dictionary.token2id)
最后结果如下:
{'人工智能': 0, '发展': 1, '学习': 2, '带动': 3, '机器': 4, '的': 5, '飞速': 6, '深度': 7, '和': 8}
根据得到的结果,我们同样可以得到词袋模型的特征向量。这里顺带提一下函数 doc2bow(),作用只是计算每个不同单词的出现次数,将单词转换为其整数单词 id 并将结果作为稀疏向量返回。
corpus = [dictionary.doc2bow(sentence) for sentence in segs_1] print(corpus )
得到的稀疏向量结果如下:
[[(0, 1), (1, 1), (2, 1), (3, 1), (4, 1), (5, 1), (6, 1)], [(0, 1), (1, 1), (2, 1), (3, 1), (5, 1), (6, 1), (7, 1)], [(0, 1), (1, 1), (2, 2), (3, 1), (4, 1), (5, 1), (6, 1), (7, 1), (8, 1)]]
词向量 (Word Embedding)
深度学习带给自然语言处理最令人兴奋的突破是词向量(Word Embedding)技术。词向量技术是将词语转化成为稠密向量。在自然语言处理应用中,词向量作为机器学习、深度学习模型的特征进行输入。因此,最终模型的效果很大程度上取决于词向量的效果。
词向量的概念
在 Word2Vec 出现之前,自然语言处理经常把字词进行独热编码,也就是 One-Hot Encoder。
大数据 [0,0,0,0,0,0,0,1,0,……,0,0,0,0,0,0,0]
云计算[0,0,0,0,1,0,0,0,0,……,0,0,0,0,0,0,0]
机器学习[0,0,0,1,0,0,0,0,0,……,0,0,0,0,0,0,0]
人工智能[0,0,0,0,0,0,0,0,0,……,1,0,0,0,0,0,0]
比如上面的例子中,大数据 、云计算、机器学习和人工智能各对应一个向量,向量中只有一个值为1,其余都为0。所以使用 One-Hot Encoder有以下问题:
- 第一,词语编码是随机的,向量之间相互独立,看不出词语之间可能存在的关联关系。
- 第二,向量维度的大小取决于语料库中词语的多少,如果语料包含的所有词语对应的向量合为一个矩阵的话,那这个矩阵过于稀疏,并且会造成维度灾难。
而解决这个问题的手段,就是使用向量表示(Vector Representations)。比如 Word2Vec 可以将 One-Hot Encoder 转化为低维度的连续值,也就是稠密向量,并且其中意思相近的词也将被映射到向量空间中相近的位置。经过降维,在二维空间中,相似的单词在空间中的距离也很接近。
这里简单给词向量一个定义,词向量就是要用某个固定维度的向量去表示单词。也就是说要把单词变成固定维度的向量,作为机器学习(Machine Learning)或深度学习模型的特征向量输入。
动手实战词向量
(1)Word2Vec
Word2Vec 是 Google 团队2013年推出的,自提出后被广泛应用在自然语言处理任务中,并且受到它的启发,后续出现了更多形式的词向量模型。Word2Vec 主要包含两种模型:Skip-Gram 和 CBOW,值得一提的是,Word2Vec 词向量可以较好地表达不同词之间的相似和类比关系。
下面我们通过代码实战来体验一下 Word2Vec。通过 pip install gensim
安装好库后,即可导入使用。
先导入 Gensim 中的 Word2Vec 和 jieba 分词器,再引入从百度百科抓取的黄河和长江的语料:
from gensim.models import Word2Vec import jieba #定义停用词、标点符号 punctuation = [",","。", ":", ";", ".", "'", '"', "’", "?", "/", "-", "+", "&", "(", ")"] sentences = [ "长江是中国第一大河,干流全长6397公里(以沱沱河为源),一般称6300公里。流域总面积一百八十余万平方公里,年平均入海水量约九千六百余亿立方米。以干流长度和入海水量论,长江均居世界第三位。", "黄河,中国古代也称河,发源于中华人民共和国青海省巴颜喀拉山脉,流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南、山东9个省区,最后于山东省东营垦利县注入渤海。干流河道全长5464千米,仅次于长江,为中国第二长河。黄河还是世界第五长河。", "黄河,是中华民族的母亲河。作为中华文明的发祥地,维系炎黄子孙的血脉.是中华民族民族精神与民族情感的象征。", "黄河被称为中华文明的母亲河。公元前2000多年华夏族在黄河领域的中原地区形成、繁衍。", "在兰州的“黄河第一桥”内蒙古托克托县河口镇以上的黄河河段为黄河上游。", "黄河上游根据河道特性的不同,又可分为河源段、峡谷段和冲积平原三部分。 ", "黄河,是中华民族的母亲河。" ]
上面定义好语料,接下来进行分词,去标点符号操作 :
sentences = [jieba.lcut(sen) for sen in sentences] tokenized = [] for sentence in sentences: words = [] for word in sentence: if word not in punctuation: words.append(word) tokenized.append(words)
这样我们获取的语料在分词之后,去掉了标点符号,如果做得更严谨,大家可以去停用词,然后进行模型训练:
model = Word2Vec(tokenized, sg=1, size=100, window=5, min_count=2, negative=1, sample=0.001, hs=1, workers=4)
参数解释如下:
- sg=1 是
skip-gram
算法,对低频词敏感;默认 sg=0 为 CBOW 算法。 - size 是输出词向量的维数,值太小会导致词映射因为冲突而影响结果,值太大则会耗内存并使算法计算变慢,一般值取为100到200之间。
- window 是句子中当前词与目标词之间的最大距离,3表示在目标词前看3-b 个词,后面看 b 个词(b 在0-3之间随机)。
min_count
是对词进行过滤,频率小于min-count
的单词则会被忽视,默认值为5。- negative 和 sample 可根据训练结果进行微调,sample 表示更高频率的词被随机下采样到所设置的阈值,默认值为 1e-3。
- hs=1 表示层级 softmax 将会被使用,默认 hs=0 且 negative 不为0,则负采样将会被选择使用。
- 详细参数说明可查看 Word2Vec 源代码。
训练后的模型可以保存与加载,如下代码所示:
model.save('model') #保存模型 model = Word2Vec.load('model') #加载模型
模型训练好之后,接下来就可以使用模型,可以用来计算句子或者词的相似性、最大匹配程度等。
例如,我们判断一下黄河和黄河自己的相似度:
print(model.similarity('黄河', '黄河'))
结果输出为:
1.0000000000000002
例如,当输入黄河和长江来计算相似度的时候,结果就比较小,因为我们的语料实在太小了。
print(model.similarity('黄河', '长江'))
结果输出为:
-0.036808977457324699
下面我们预测最接近的词,预测与黄河和母亲河最接近,而与长江不接近的词:
print(model.most_similar(positive=['黄河', '母亲河'], negative=['长江']))
得到结果如下,可以根据相似度大小找到与黄河和母亲河最接近的词(实际处理建议增大数据量和去停用词)。
[('是', 0.14632007479667664), ('以', 0.14630728960037231), ('长河', 0.13878652453422546), ('河道', 0.13716217875480652), ('在', 0.11577725410461426), ('全长', 0.10969121754169464), ('内蒙古', 0.07590540498495102), ('入海', 0.06970417499542236), ('民族', 0.06064444035291672), ('中华文明', 0.057667165994644165)]
上面通过小数据量的语料实战,加强了对 Word2Vec 的理解,总之 Word2Vec 是一种将词变成词向量的工具。通俗点说,只有这样文本预料才转化为计算机能够计算的矩阵向量。
(2)Doc2Vec
Doc2Vec 是 Mikolov 在 Word2Vec 基础上提出的另一个用于计算长文本向量的工具。在 Gensim 库中,Doc2Vec 与 Word2Vec 都极为相似。但两者在对输入数据的预处理上稍有不同,Doc2vec 接收一个由 LabeledSentence 对象组成的迭代器作为其构造函数的输入参数。其中,LabeledSentence 是 Gensim 内建的一个类,它接收两个 List 作为其初始化的参数:word list 和 label list。
Doc2Vec 也包括两种实现方式:DBOW(Distributed Bag of Words)和 DM (Distributed Memory)。DBOW 和 DM 的实现,二者在 gensim 库中的实现用的是同一个方法,该方法中参数 dm = 0 或者 dm=1 决定调用 DBOW 还是 DM。Doc2Vec 将文档语料通过一个固定长度的向量表达。
下面是 Gensim 中 Doc2Vec 模型的实战,我们把上述语料每一句话当做一个文本,添加上对应的标签。接下来,定义数据预处理类,作用是给每个文章添加对应的标签:
#定义数据预处理类,作用是给每个文章添加对应的标签 from gensim.models.doc2vec import Doc2Vec,LabeledSentence doc_labels = ["长江","黄河","黄河","黄河","黄河","黄河","黄河"] class LabeledLineSentence(object): def __init__(self, doc_list, labels_list): self.labels_list = labels_list self.doc_list = doc_list def __iter__(self): for idx, doc in enumerate(self.doc_list): yield LabeledSentence(words=doc,tags=[self.labels_list[idx]]) model = Doc2Vec(documents,dm=1, size=100, window=8, min_count=5, workers=4) model.save('model') model = Doc2Vec.load('model')
上面定义好了数据预处理函数,我们将 Word2Vec 中分词去标点后的数据,进行转换:
iter_data = LabeledLineSentence(tokenized, doc_labels)
得到一个数据集,我开始定义模型参数,这里 dm=1,采用了 Gensim 中的 DM 实现。
model = Doc2Vec(dm=1, size=100, window=8, min_count=5, workers=4) model.build_vocab(iter_data)
接下来训练模型, 设置迭代次数1000次,start_alpha
为开始学习率,end_alpha
与 start_alpha
线性递减。
model.train(iter_data,total_examples=model.corpus_count,epochs=1000,start_alpha=0.01,end_alpha =0.001)
最后我们对模型进行一些预测:
#根据标签找最相似的,这里只有黄河和长江,所以结果为长江,并计算出了相似度 print(model.docvecs.most_similar('黄河'))
得到的结果:
[('长江', 0.25543850660324097)]
然后对黄河和长江标签做相似性计算:
print(model.docvecs.similarity('黄河','长江'))
得到的结果:
0.25543848271351405
上面只是在小数据量进行的小练习,而最终影响模型准确率的因素有:文档的数量越多,文档的相似性越好,也就是基于大数据量的模型训练。在工业界,Word2Vec 和 Doc2Vec 常见的应用有:做相似词计算;相关词挖掘,在推荐系统中用在品牌、用户、商品挖掘中;上下文预测句子;机器翻译;作为特征输入其他模型等。
总结,本文只是简单的介绍了词袋和词向量模型的典型应用,对于两者的理论和其他词向量模型,比如 TextRank 、FastText 和 GloVe 等,阅读文末给出参考文献将了解更多。
参考文献: