Doc2Vec的一个轻量级介绍

作者：Gidi Shperber 编译：ronghuaiyang

导读

在这篇文章中，你将学习什么是doc2vec，它是如何构建的，它与word2vec有什么关系，你可以用它做什么，没有数学公式。

介绍

文本文档的数字表示是机器学习中的一个具有挑战性的任务。这种表示形式可以用于多种目的，例如：文档检索、web搜索、垃圾邮件过滤、主题建模等。

然而，没有很多好的技术可以做到这一点。许多任务使用众所周知的但过于简单的方法如词袋(BOW)，但结果将大多是平庸的，因为BOW丢掉了许多微妙的可能的良好的表示，比如考虑单词的顺序。

LDA也是一种常见的主题建模技术(从文本中提取主题/关键字)，但它很难调试，结果也很难评估。

在这篇文章中。我将回顾doc2vec的方法，在2014年由Mikilov和Le提出，我们要通过这篇文章提到很多次。值得一提的是，Mikilov也是word2vec的作者之一。

Doc2vec是一个非常好的技术。它很容易使用，结果很好，而且从它的名字就可以看出来，它主要基于word2vec。我们先来简单介绍一下word2vec。

word2vec

word2vec是一个众所周知的概念，用于从单词中生成表示向量。

网上有很多关于word2vec的好教程，但是如果描述doc2vec而没有word2vec，就没有意义了，所以我就简单介绍一下。

一般来说，当你喜欢使用单词构建模型时，简单地标记/one-hot编码是一种可行的方法。然而，当使用这种编码时，这些词就失去了它们的意义。比如，如果我们将Paris编码为id_4， France编码为id_6， power编码为id_8，那么France与power的关系将与Paris相同。我们希望France和Paris能比France和power更接近。

2013年在这篇文章：https://arxiv.org/abs/1301.3781中提出的word2vec，可以给你每个单词的数字表示，并且能够捕获上述关系。这是机器学习中一个更广泛概念的一部分——特征向量。

这种表示法封装了词与词之间的不同关系，如同义词、反义词或类似的东西，如这个：

图1：国王对王后就像男人对女人。写关于word2vec不附加这个内容是非法的

Word2vec算法

这是怎么做到的呢？word2vec表示使用两种算法：连续的单词袋模型(CBOW)和跳跃模型( Skip-Gram)。

连续词袋模型

连续的单词包在当前单词周围创建一个滑动窗口，从“上下文” — 周围的单词来预测它。每个单词都表示为一个特征向量。经过训练，这些向量就变成了词向量。

图2：CBOW算法示意图：用单词“the”，“cat”，“sat”来预测“on”

如前所述，表示相似单词的向量对于不同的距离度量是相近的，并且额外地封装了数值关系，如上面的king-queen=man。

Skip gram

第二种算法，在同一篇文章中有描述，与CBOW完全相反：我们不是每次预测一个单词，而是使用一个单词来预测所有周围的单词(“上下文”)。Skip gram比CBOW慢得多，但是对于不经常出现的单词，它被认为更准确。

Doc2vec

在理解了word2vec是什么之后，理解doc2vec是如何工作的就容易多了。

如前所述，doc2vec的目标是创建文档的数字表示，而不管其长度如何。但与单词不同的是，文档不是以单词这样的逻辑结构出现的，因此必须找到另一种方法。

Mikilov和Le使用的概念很简单，但很聪明：他们使用了word2vec模型，并添加了另一个向量(下面的段落ID)，如下所示：

图3：PV-DM模型

如果你对上面的示意图感到很熟悉，那是因为它是CBOW模型的一个小扩展。但是，除了使用单词来预测下一个单词之外，我们还添加了另一个特征向量，它对于每个文档是唯一的。

因此，当训练单词向量W时，也训练了文档向量D，在训练结束时，它就有了文档的数字表示。

上面的模型称为Distributed Memory version of Paragraph Vector(PV-DM)。它就像一个记忆体，记住当前上下文缺少的内容 — 或者作为段落的主题。单词向量表示单词的概念，而文档向量表示文档的概念。

在word2vec中，可以使用另一种类似于skip-gram的算法，即Distributed Bag of Words version of Paragraph Vector (PV-DBOW)。

图4：PV-DBOW模型

在这里，这个算法实际上更快(与word2vec相反)，并且消耗更少的内存，因为不需要保存词向量。

在这篇文章中，作者声明他们推荐使用这两种算法的组合，尽管PV-DM模型更优，并且通常会自己就可以得到最先进的结果。

doc2vec模型可按以下方式使用：对于训练，需要一组文档。每个单词生成一个单词向量W，每个文档生成一个文档向量D。该模型还为softmax隐层训练权重。在推理阶段，可以使用一个新的文档，然后固定所有的权值来计算文档向量。

模型评估和一点想法

这种无监督模型的问题在于，它们没有被训练去完成它们本来要完成的任务。比如说， word2vec训练完成语料库中的包围词，但用于估计词之间的相似度或关系。因此，衡量这些算法的性能可能具有挑战性。我们已经看到了“国王”、“皇后”、“男人”、“女人”的例子，但我们想让它成为一种评估机器学习模型的严格方法。

因此，在训练这些算法时，我们应该注意相关的度量。word2vec的一个可能的度量标准是对上述示例的概括，称为类比推理。它包含许多类似的组合，如下：

• happy happily — furious furiously
• immediate immediately — infrequent infrequently
• slowing slowed — sleeping slept
• spending spent — striking struck

这个任务的成功之处在于，当计算匹配对之间的距离时，可以得到非常接近的结果。

数据集在http://download.tensorflow.org/data/questions-words.txt。

Doc2vec在文章中测试了两个任务：第一个是情绪分析，第二个类似于上面的类比推理。

这是文章中的三段。这些段落的数据集被用来比较模型。很容易看出哪两个比较接近：

这个数据集(据我所知没有共享)用来比较一些模型，doc2vec是最好的：

现实中的挑战 - ScaleAbout

我的一个客户，使用机器学习方法来进行you-tube视频到内容文章的匹配。Doc2vec似乎是一个很好的匹配方法。

有个例子是这样的，有一篇文章，是关于在家里用树桩做灯的，在文章的底部，可以看到4部木工相关的视频。

ScaleAbout当前的模型使用标签机制对视频和文章进行标注(“topic modeling”)，并测量标签之间的距离。

ScaleAbout有一些与客户主题相关的语料库。比如说，有一个10万手动标记的文件“do it yourself”，就像上面说过的，是给出版商准备的。每篇文章有17个可能的标签。如“家居装饰”、“园艺”、“改建及翻新”等。在这个实验中，我们决定尝试使用doc2vec和其他一些模型来预测标签。

ScaleAbout目前最好的模型是一个卷积神经网络，它建立在word2vec的基础上，在预测文档标签方面达到了70%的准确率。

Doc2vec模型本身是一个无监督的方法，所以需要稍微调整一下“参与”这个比赛。幸运的是，在大多数情况下，我们可以使用一些技巧：如果你还记得，在图3中我们添加了另一个文档向量，它对于每个文档都是惟一的。如果你想一下，可以添加更多的向量，它们不一定是唯一的：例如，如果我们的文档有标签(实际上我们有)，我们可以添加它们，并得到它们作为向量的表示。

此外，它们不必是唯一的。通过这种方式，我们可以将17个标记中的一个添加到唯一的文档标记中，并为它们创建一个doc2vec表示！见下图：

图5：带标签向量的doc2vec模型

我们使用gensim实现了doc2vec。下面是gensim TaggedDocument：

gensim TaggedDocument。SENT_3是惟一的文档id，remodeling和renovating是标记

使用gensim doc2vec非常简单。像往常一样，模型应该被初始化，训练几个阶段：

然后我们可以检查每个唯一的文档与每个标签的相似度，这样做：

预测与文档相似度最高的标签。

使用这种方法，我们在100K篇文章中只训练了10K篇，我们的准确率就达到了74%，比以前更好。

总结

我们已经看到，通过一些调整，我们可以从一个已经非常有用的word2vec模型中获得更多。这很好，因为正如前面所说，在我看来，表示文档的标记和匹配还有很长的路要走。

此外，这表明，这是一个很好的例子，说明机器学习模型如何封装了更多的能力，而不仅仅是它们所训练的特定任务。这可以在深度CNNs中看到，它训练用于对象分类，但也可以用于语义分割或聚类图像。

最后，如果你有一些与文档相关的任务 — 这可能是一个很好的模型！

—END—

英文原文：https://medium.com/wisio/a-gentle-introduction-to-doc2vec-db3e8c0cce5e