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):
(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):
(vocabulary_size - 1))
dictionary = dict()
(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):
(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
然后,开始训练词向量:
num_steps = 1000 # we must initialize all variables before using them# loop through all training steps and keep track of loss # generate a minibatch of training data # we perform a single update step by evaluating the optimizer operation (including it
(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()
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:
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。