Word Embedding的生成
之前以為直接使用contrib.text.embedding
就可以完成學習,後面發現和paper的意思不匹配,這一層是需要單獨獲取的。
先附上可以參考的鏈接:
- LSTM裏Embedding Layer的作用是什麽
- http://www.cnblogs.com/iloveai/p/word2vec.html
- 原文
可以了解到,Embedding是要產生一個矩陣,通過行引索輸出連續空間變量,並且空間的維數可以人為設定。關鍵處是要使詞之間的上下文關系
程度由歐氏距離指示。
但對於如何得到這樣的矩陣,找到的描述確實語焉不詳(比如鏈接2
看起來條條有理,但卻使人無處著力,尤其是那幾張圖配合著文段描述真是使人不著頭腦) ,另外看到一篇貼上自己分析google的cpp的註釋。自動求導大行其道的當下,很難說不通過這種方式實現的方法有什麽實用價值。 還是給我找到了在MXNet中的實現過程:
https://github.com/apache/incubator-mxnet/tree/master/example/nce-loss
所有需要學習的參數只有一個矩陣,並沒有鏈接1
說的抽取中間數據的思想。實際也可想見,對於實現目標,只需要想辦法通過損失函數,使出於同一上下文中的詞向量(稠密表示後的)接近就好了;如果從加快收斂角度考慮,進行negative 采樣,每次對不在同一上下文中的向量進行懲罰。
# 優化的框架,需要有叠代器(DataIterWords@text8_data.py )的支持才有註釋中的效果
# wordvec_net.py
# 對中心詞作為預測目標進行優化
def get_word_net(vocab_size, num_input):
data = mx.sym.Variable(‘data‘ )
label = mx.sym.Variable(‘label‘)
label_weight = mx.sym.Variable(‘label_weight‘) # 在叠代器的輸出中,首個元素是中心詞,其余是負樣本
embed_weight = mx.sym.Variable(‘embed_weight‘) # 首個元素是1,其余是0,logistic回歸作為損失函數
data_embed = mx.sym.Embedding(data=data, input_dim=vocab_size,
weight= embed_weight,
output_dim=100, name=‘data_embed‘)
datavec = mx.sym.SliceChannel(data=data_embed,
num_outputs=num_input,
squeeze_axis=1, name=‘data_slice‘)
pred = datavec[0]
for i in range(1, num_input):
pred = pred + datavec[i] # 對上下文進行求和, 按照原文的意思
return nce_loss(data=pred,
label=label,
label_weight=label_weight,
embed_weight=embed_weight,
vocab_size=vocab_size,
num_hidden=100)
# nce.py
def nce_loss(data, label, label_weight, embed_weight, vocab_size, num_hidden):
label_embed = mx.sym.Embedding(data=label, input_dim=vocab_size,
weight=embed_weight,
output_dim=num_hidden, name=‘label_embed‘) # 對 label引索
data = mx.sym.Reshape(data=data, shape=(-1, 1, num_hidden))
pred = mx.sym.broadcast_mul(data, label_embed) # 求點積
pred = mx.sym.sum(data=pred, axis=2)
return mx.sym.LogisticRegressionOutput(data=pred,
label=label_weight) # 向中心詞靠近,遠離上下文以外的詞
叠代器設計巧妙,把用到的程序放在這:
# text8_data.py
def _load_data(name):
buf = open(name).read()
tks = buf.split(‘ ‘)
vocab = {}
freq = [0]
data = []
for tk in tks:
if len(tk) == 0:
continue
if tk not in vocab:
vocab[tk] = len(vocab) + 1
freq.append(0)
wid = vocab[tk]
data.append(wid)
freq[wid] += 1
negative = []
for i, v in enumerate(freq):
if i == 0 or v < 5:
continue
v = int(math.pow(v * 1.0, 0.75))
negative += [i for _ in range(v)] # 詞的頻數高,連接的負樣本數量應該更多,見下文討論
return data, negative, vocab, freq
class DataIterWords(mx.io.DataIter):
def __init__(self, name, batch_size, num_label):
super(DataIterWords, self).__init__()
self.batch_size = batch_size
self.data, self.negative, self.vocab, self.freq = _load_data(name)
self.vocab_size = 1 + len(self.vocab)
print("Vocabulary Size: {}".format(self.vocab_size))
self.num_label = num_label
self.provide_data = [(‘data‘, (batch_size, num_label - 1))]
self.provide_label = [(‘label‘, (self.batch_size, num_label)),
(‘label_weight‘, (self.batch_size, num_label))]
def sample_ne(self):
return self.negative[random.randint(0, len(self.negative) - 1)]
def __iter__(self):
batch_data = []
batch_label = []
batch_label_weight = []
start = random.randint(0, self.num_label - 1)
for i in range(start, len(self.data) - self.num_label - start, self.num_label):
context = self.data[i: i + self.num_label // 2] \
+ self.data[i + 1 + self.num_label // 2: i + self.num_label] # 以中心詞作為預測目標
target_word = self.data[i + self.num_label // 2]
if self.freq[target_word] < 5:
continue
target = [target_word] + [self.sample_ne() for _ in range(self.num_label - 1)]
target_weight = [1.0] + [0.0 for _ in range(self.num_label - 1)] # 負樣本優化目標為0
batch_data.append(context)
batch_label.append(target)
batch_label_weight.append(target_weight)
if len(batch_data) == self.batch_size:
data_all = [mx.nd.array(batch_data)]
label_all = [mx.nd.array(batch_label), mx.nd.array(batch_label_weight)]
data_names = [‘data‘]
label_names = [‘label‘, ‘label_weight‘]
batch_data = []
batch_label = []
batch_label_weight = []
yield SimpleBatch(data_names, data_all, label_names, label_all)
這裏想說的是,負樣本的生成與頻數關聯的原因。雖然每一個batch中,負樣本的數量是一定的(都是batch_size x (label_num-1) ),但由於是均勻采樣(見sample_ne
),高頻詞對應的負樣本將有更大概率被抽到。
對一個高頻詞而言,其在優化中出現的次數會比較多,如果沒有匹配數量的負樣本,按照神經網絡優化的弊端,結果模型會偏向比重大的,可能的結果就是把這個詞放在了帶有權重的中心位置。或者說,結果模型會有更大部分只是在反應輸入樣本的統計關系,而不是上下文關系。
Word Embedding的生成