NLP︱词向量经验总结(功能作用、高维可视化、R语言实现、大规模语料、延伸拓展)


 

 

 

R语言由于效率问题,实现自然语言处理的分析会受到一定的影响,如何提高效率以及提升词向量的精度是在当前软件环境下,比较需要解决的问题。

 

笔者认为还存在的问题有:

1、如何在R语言环境下,大规模语料提高运行效率?

2、如何提高词向量的精度,或者说如何衡量词向量优劣程度?

3、词向量的功能性作用还有哪些值得开发?

4、关于语义中的歧义问题如何消除?

5、词向量从”词“往”短语“的跨越?

 

转载请注明出处以及作者(Matt),欢迎喜欢自然语言处理一起讨论~

 

————————————————————————————————————————————————

 

一、大规模语料提高运行效率

 

从训练参数、优化训练速度入手。

 

1、训练参数

 

 

训练参数的选择是提高效率的关键之处,一些经验参数训练的经验(一部分来源小桥流水博客):

  1. window在5~8,我用的8,感觉还不错,CBOW一般在5,SKIP在10左右比较适合;
  2. 其他的可以参考:

 

· 架构:skip-gram(慢、对罕见字有利)vs CBOW(快)

· 训练算法:分层softmax(对罕见字有利)vs 负采样(对常见词和低纬向量有利)

· 欠采样频繁词:可以提高结果的准确性和速度(适用范围1e-3到1e-5)

· 文本(window)大小:skip-gram通常在10附近,CBOW通常在5附近

 

词嵌入的质量也非常依赖于上下文窗口大小的选择。通常大的上下文窗口学到的词嵌入更反映主题信息,而小的上下文窗口学到的词嵌入更反映词的功能和上下文语义信息。

1、维数,一般来说,维数越多越好(300维比较优秀),当然也有例外;

2、训练数据集大小与质量。训练数据集越大越好,覆盖面广,质量也要尽量好。

3、参数设置,一般如windows,iter、架构选择比较相关。

 

 

 

2、优化训练速度

 

(一部分来源小桥流水博客

 

 

  1. 选择cbow模型,根据经验cbow模型比skip-gram模型快很多,并且效果并不比skip-gram差,感觉还好一点;

  2. 线程数设置成跟cpu核的个数一致;

  3. 迭代次数5次差不多就已经可以了;

 

3、使用Glove训练词向量(text2vec包)

参考博客:text2vec(参考博客:重磅︱R+NLP:text2vec包——New 文本分析生态系统 No.1(一,简介)

 

 

————————————————————————————————————————————————

 

二、词向量表示精度

 

不同的词向量表达方式也有着不同的优劣势,

1、NLP︱高级词向量表达(一)——GloVe(理论、相关测评结果、R&python实现、相关应用) 
2、NLP︱高级词向量表达(二)——FastText(简述、学习笔记) 
3、NLP︱高级词向量表达(三)——WordRank(简述) 

现在比较多见的词向量表示方式:GloVe、fasttext、wordRank、tfidf-BOW、word2vec

根据Ranking算法得到的wordRank,与 word2vec、fastText三者对比 

相似词的寻找方面极佳,词类比方面不同数据集有不同精度。

不过,上述都是实验数据,从实际效果来看,TFIDF-BOW的效果,在很多情况下比这些高阶词向量表示的方式还要好,而且操作简单,值得推广!

 

——————————————————————————————————————————————————————

 

 

三、词向量的功能、作用

 

1、词向量的可加性

 

词向量有一个潜力非常大的性质,就是向量之间的可加性,比如两个案例:

Vector(巴黎)-Vector(法国)+Vector(意大利)≈Vector(罗马)

Vector(king)-Vector(man)+Vector(woman)≈Vector(queen)

大致的流程就是king的woman约等于queen,当然为什么要减去man,这里man会干扰king词,所以减去。

差即是投影,就是一个单词在不同上下文中的相对出现。平均两个向量更好,而不是取其总和。

 

 

2、消除歧义

 

上面king-man就是消除歧义的一种方式,这里要用到线性代数的方式,king-man之后就把man这层意思消除掉了。

不过,得先大规模识别歧义词,有待后续研究。

也许你寄希望于一个词向量能捕获所有的语义信息(例如run即是动车也是名词),但是什么样的词向量都不能很好地进行凸显。 
这篇论文有一些利用词向量的办法:Improving Word Representations Via Global Context And Multiple Word Prototypes(Huang et al. 2012) 
解决思路:对词窗口进行聚类,并对每个单词词保留聚类标签,例如bank1, bank2等

来源博客:NLP︱Glove词向量表达(理论、相关测评结果、R&python实现提及)

 

3、词聚类

 

通过聚类,可以去挖掘一些关于某词的派生词;或者寻找相同主题时,可以使用。

 

 

4、词向量的短语组合word2phrase

 

通过词向量构造一些短语组合,要分成两步来探索:

(1)词语如何链接起来?(参考论文

(2)链接起来,用什么方法来记录组合短语?——平均数

比如”中国河“要变成一个专用短语,那么可以用”中国“+”河“向量的平均数来表示,然后以此词向量来找一些近邻词。

 

5、sense2vec

 

利用spacy把句子打散变成一些实体短语(名词短语提取),然后利用word2vec变成sense向量,这样的向量就可以用来求近似。譬如输入nlp,出现的是ml,cv。

关于spacy这个python模块的介绍,可以看自然语言处理工具包spaCy介绍

关于Sense2vec可以参考博客:https://explosion.ai/blog/sense2vec-with-spacy

sense2vec的demo网站

 

6、近义词属性

 

词向量通过求近似,可以获得很好的一个性质,除了可加性,就是近似性。可以将附近的近义词进行聚合,当然词向量的质量取决于训练语料的好坏。同时,近义词之中,反义词是否能够识别出来,也还是一个值得研究的话题。

 

7、词的类比和线性空间

 

如果我们想要进行单词比较(由a得到b,是因为由A得到B),可以认为对于每个词w,我们有条件概率比的等式

d084d898ddf5c75b4976d1c99af799b539bc500e

以下就是一个案例:

9321fb125158be0345092482389244a44b8f6ce3

 

类比是可以找到单词之间对等关系。条件概率比的等式如何转换为单词向量?

 

我们可以使用类比来表示单词意思(如用向量改变性别),语法(如改变时态)或其他类比(如城市与其邮政编码)。 似乎类比不仅是单方面的技巧 - 我们可能可以一直使用它们来考虑问题,详见:

George Lakoff, Mark Johnson, Metaphors We Live By (1980)

 

8、高维可视化

一些工具可以实现,譬如Embedding Projector

我们可以load自己的数据上去。官网在可视化高维数据的工具 - 谷歌研究博客

 

 

 

——————————————————————————————————————————————————————

 

R语言中Word2vec的包有哪些?

 

R语言中的词向量的包还是比较少的,而且大多数的应用都还不够完善,笔者之前发现有李舰老师写的tm.word2vec包 

重磅︱文本挖掘深度学习之word2vec的R语言实现

 

tm.word2vec包里面的内容太少了,只有一个调用函数比较有效,于是李舰老师又在github上自己写了一个word2vec的函数,但是这个函数调用起来还不是特别方便。

 

于是国外有一神人,在李舰老师基础上,借鉴李舰老师word2vec函数,开发了自己的包,wordVectors包(1000W单词,4线程,20min左右),这个包相当优秀,不仅全部集成了李舰老师函数的优势(可以多线程操作、自定义维度、自定义模型),还解决了如何读取输出文件、消除歧义、词云图、词相似性等问题

 

近日发现了其他两个:一个是text2vec,一个是rword2vec。其中text2vec是现在主要的研究方向:

重磅︱R+NLP:text2vec包简介(GloVe词向量、LDA主题模型、各类距离计算等)

 


——————————————————————————————————————————————————————

 

延伸一:大规模语料训练方式

 

 

在大量语料下,进行训练R语言效率超级低,而python相对较快。

一般来说用python的gensim和spark的mlib比较好。

 

但是笔者在使用过程中出现的情况是:

python的gensim好像只有cbow版本,

R语言,word2vec和glove好像都不能输出txt格式,只有bin文件。

 

同时大规模语料下,fasttext支持ngram向量化,用来搞文本分类还是很棒的。

 


——————————————————————————————————————————————————————

 

延伸二 : 论文经验解读《Baseline Needs More Love: On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms》

 

文章来源:基线系统需要受到更多关注:基于词向量的简单模型 | ACL 2018论文解读

■ 论文 | Baseline Needs More Love: On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms

■ 链接 | https://www.paperweekly.site/papers/1987

■ 源码 | https://github.com/dinghanshen/SWEM

 

简单的词向量模型(Simple word-embedding model,SWEM),作者提出了下面几种方法。

 

 

SWEM-aver:就是平均池化,对词向量的按元素求均值。这种方法相当于考虑了每个词的信息。

SWEM-max:最大池化,对词向量每一维取最大值。这种方法相当于考虑最显著特征信息,其他无关或者不重要的信息被忽略。

SWEM-concat:考虑到上面两种池化方法信息是互补的,这种变体是对上面两种池化方法得到的结果进行拼接。

SWEM-hier:上面的方法并没有考虑词序和空间信息,提出的层次池化先使用大小为 n 局部窗口进行平均池化,然后再使用全局最大池化。该方法其实类似我们常用的 n-grams 特征。

 

1 几款SWEM特点

SWEM-aver:综合信息

SWEM-max:互补的信息,比较稀疏,个别词语贡献大;虽然效果一般,但是解释力度很大,因为贡献最大的就是几个核心关键词。

SWEM-concat:aver + max,综合了前面两者的优势

SWEM-hier:N-grams的思想,在以上加入了一些词序信息

 

一般来说是:concat>aver>max

 

2 几大任务

文档分类:主题分类

主题分类主要在意的是词粒度,所以SWEM效果非常好(其中concat最好),CNN/LSTM

 

文档分类:情感分类

情感分类,词序信息比较重要,那么CNN/LSTM更能够捕捉。

其中SWEM-hier也有词序信息的考量,不过效果没有CNN/LSTM好。

 

文档分类:本体分类

词粒度的,SWEM-concat比较好

 

文本序列匹配(主要包括自然语言推理,问答中答案句选择和复述识别任务

序列匹配对于关键词更加敏感,所以SWEM更好。

 

序列标注:命名实体识别等任务

考虑词序信息,CNN/LSTM更好。

 

3、其他一些情况

词向量维度

虽然维度越大,信息越大,效果越好,但是差异不明显。

 

数据集大小

小数据集对于词序的考量更好,关键词密度较低,所以CNN/LSTM更好。而SWEM模型,在长文本上效果更佳。

 

——————————————————————————————————————————————————————

延伸三:文本嵌入的经典模型与最新进展

  • 强/快的基线模型:FastText,Bag-of-Words(词袋)

  • 最先进的模型:ELMo,Skip-Thoughts,Quick-Thoughts,InferSent,MILA/ MSR 的通用句子表示和 Google 的通用句子编码器。

句向量的代表:

Google 的通用句子编码器(https://arxiv.org/abs/1803.11175),于2018年初发布,采用相同的方法。他们的编码器使用一个转换网络,该网络经过各种数据源和各种任务的训练,目的是动态地适应各种自然语言理解任务。他们也给 TensorFlow 提供了一个预训练的版本 https://www.tensorflow.org/hub/modules/google/universal-sentence-encoder/1。

相关推荐
©️2020 CSDN 皮肤主题: 游动-白 设计师:白松林 返回首页
实付 9.90元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值