前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【NLP实战】tensorflow词向量训练实战

【NLP实战】tensorflow词向量训练实战

作者头像
用户1508658
发布2019-10-14 15:19:44
9870
发布2019-10-14 15:19:44
举报
文章被收录于专栏:有三AI有三AI

实战是学习一门技术最好的方式,也是深入了解一门技术唯一的方式。因此,NLP专栏计划推出一个实战专栏,让有兴趣的同学在看文章之余也可以自己动手试一试。

本篇介绍自然语言处理中最基础的词向量的训练。

作者&编辑 | 小Dream哥

1 语料准备

用于词向量训练的语料应该是已经分好词的语料,如下所示:

2 词向量训练

(1) 读取语料数据

读取数据的过程很简单,就是从压缩文件中读取上面显示的语料,得到一个列表。

def read_data(filename): with zipfile.ZipFile(filename) as f: data = tf.compat.as_str(f.read(f.namelist()[0])).split() return data

(2) 根据语料,构建字典

构建字典几乎是所有NLP任务所必须的步骤。

def build_dataset(words): count = [['UNK', -1]] count.extend(collections.Counter(words).most_common

(vocabulary_size - 1))

dictionary = dict() for word, _ in count: dictionary[word] = len(dictionary) data = list() unk_count = 0 data=[dictionary[word] if word in dictionary else 0 for word in words] count[0][1] = unk_count reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys())) return data, count, dictionary, reverse_dictionary

(3) 根据语料,获取一个batch的数据

这里需要解释一下,此次词向量的训练,采用的是skip gram的方式,即通过一个词,预测该词附近的词。generate_batch函数中,skip_window表示取该词左边或右边多少个词,num_skips表示总共取多少个词。最后生成的batch数据,batch是num_skips*batch_size个词,label是中间的batch_size个词。

def generate_batch(batch_size, num_skips, skip_window): global data_index assert batch_size % num_skips == 0 assert num_skips <= 2 * skip_window batch = np.ndarray(shape=(batch_size), dtype=np.int32) labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32) span = 2 * skip_window + 1 # [ skip_window target skip_window ] buffer = collections.deque(maxlen=span) for _ in range(span): buffer.append(data[data_index]) data_index = (data_index + 1) for i in range(batch_size // num_skips): target = skip_window targets_to_avoid = [skip_window] for j in range(num_skips): while target in targets_to_avoid: target = random.randint(0, span - 1) targets_to_avoid.append(target) batch[i * num_skips + j] = buffer[skip_window] labels[i * num_skips + j, 0] = buffer[target] buffer.append(data[data_index]) data_index = (data_index + 1) % len(data) return batch, labels

(4) 用tensforslow训练词向量

首先,构造tensorflow运算图,主要包括以下几个步骤:

1.用palceholder先给训练数据占坑;

2.初始化词向量表,是一个|V|*embedding_size的矩阵,目标就是优化这个矩阵;

3.初始化权重;

4.构建损失函数,这里用NCE构建;

5.构建优化器;

6.构建变量初始化器

graph = tf.Graph() with graph.as_default(): # input data train_inputs = tf.placeholder(tf.int32, shape=[batch_size]) train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1]) valid_dataset = tf.constant(valid_examples, dtype=tf.int32) # operations and variables # look up embeddings for inputs embeddings = tf.Variable(tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0)) embed = tf.nn.embedding_lookup(embeddings, train_inputs) # construct the variables for the NCE loss nce_weights = tf.Variable(tf.truncated_normal([vocabulary_size, embedding_size], stddev=1.0 / math.sqrt(embedding_size)))

nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

ncs_loss_test=tf.nn.nce_loss(weights=nce_weights, biases=nce_biases,labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)

loss = tf.reduce_mean(tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)) # construct the SGD optimizer using a learning rate of 1.0 optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss) # compute the cosine similarity between minibatch examples and all embeddings norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keep_dims=True))

normalized_embeddings = embeddings / norm valid_embeddings = tf.nn.embedding_lookup(normalized_embeddings, valid_dataset) similarity = tf.matmul(valid_embeddings, normalized_embeddings, transpose_b=True) # add variable initializer init = tf.initialize_all_variables()

然后,开始训练词向量:

num_steps = 1000 with tf.Session(graph=graph) as session: # we must initialize all variables before using them init.run() print('initialized.') # loop through all training steps and keep track of loss average_loss = 0 for step in range(num_steps): # generate a minibatch of training data batch_inputs, batch_labels = generate_batch(batch_size, num_skips, skip_window) feed_dict = {train_inputs: batch_inputs, train_labels: batch_labels} # we perform a single update step by evaluating the optimizer operation (including it # in the list of returned values of session.run()) _, loss_val,ncs_loss_ = session.run([optimizer, loss,ncs_loss_test], feed_dict=feed_dict) average_loss += loss_val final_embeddings = normalized_embeddings.eval() print(final_embeddings)

(5) 保存词向量

将训练好的词向量写到文件中备用。

final_embeddings = normalized_embeddings.eval() print(final_embeddings) fp=open('vector.txt','w',encoding='utf8') for k,v in reverse_dictionary.items(): t=tuple(final_embeddings[k]) s='' for i in t: i=str(i) s+=i+" " fp.write(v+" "+s+"\n") fp.close()

最后,我们将词向量写到了vector.txt里面,得到了一份很大的词向量表,我们看看它长成什么样子:

可以看到,词向量就是将每个中文词用一个向量来表示,整个词表及其词向量构成了这份词向量表。

这里留一个作业,读者可以自己试一下,从表中读取出来几个词的向量,计算出来他们的相似度,看训练出来的词向量质量如何。

至此本文介绍了如何利用tensorflow平台自己写代码,训练一份自己想要的词向量,代码在我们有三AI的github可以

https://github.com/longpeng2008/yousan.ai/tree/master/natural_language_processing

找到word2vec文件夹,执行python3 w2v_skip_gram.py就可以运行,训练词向量了。

总结

这里讲述了词向量的具体训练过程,相关的原理在我之前的系列文章里有详细的讲述,感兴趣的同学可以好好看一下:

【NLP-词向量】词向量的由来及本质

【NLP-词向量】从模型结构到损失函数详解word2vec

词向量是NLP开始迈进“现代化”的关键,是各种面试必问的基础,需重视。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-10-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 有三AI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档