在浏览器中进行深度学习：TensorFlow.js (九）训练词向量 Word Embedding

8 人赞同了该文章

词向量，英文名叫Word Embedding，在自然语言处理中，用于抽取语言模型中的特征，简单来说，就是把单词用一个向量来表示。最著名的Word Embedding模型应该是托马斯·米科洛夫（Tomas Mikolov）在Google带领的研究团队创造的Word2vec。

词向量的训练原理就是为了构建一个语言模型，我们假定一个词的出现概率是由它的上下问来决定的，那么我们找来很多的语素来训练这个模型，也就是通过上下文来预测某个词语出现的概率。


如上图所示，词嵌入向量的训练主要有两种模式：

  • 连续词袋 CBOW， 在这个方法中，我们用出现在该单词的上下文的词来预测该单词出现的概率，如上图就是该单词的前两个和后两个。然后我们可以扫描全部的训练语素（所有的句子），对于每一次出现的词都找到对于的上下文的4个词，这样我们就可以构建一个训练集合来训练词向量了。
  • Skip-Gram和CBOW正好相反，它是用该单词来预测前后的4个上下文的单词。注意这里和上面的4个都是例子，你可以选择上下文的长度。

那么训练出来的词向量它的含义是什么呢？



词向量是该单词映射到一个n维空间的表示，首先，所有的单词只有在表示为数学上的向量后在能参与神经网络的运算，其次，单词在空间中的位置反映了词与词之间的关系，距离相近的词可能意味着它们有相近的含义，或者经常一出现。

用神经网络构建语言模型的时候，Embedding常常是作为第一个层出现的，它就是从文本中提取数字化的特征。那么我们今天就看看如何利用TensorflowJS在训练一个词向量嵌入模型吧。

倒入文本

首先倒入我的文本，这里我的文本很简单，你可以替换任何你想要训练的文本

const sentence = "Mary and Samantha arrived at the bus station early but waited until noon for the bus.";

抽取单词和编码

然后，抽取文本中所有的单词序列，在自然语言处理中，Tokenize是意味着把文本变成序列，我这个例子中的单词的抽取用了很简单的regular expression，实际的应用中，你可以使用不同的自然语言处理库提供的Tokenize方法。TensorflowJS中并没有提供Tokenize的方法。（Tensorflow 中由提供 tensorflow.org/versions）

const tokenize = words => {
  return words.match(/[^\s\.]+/g);
}

// tokenize
const tokens = tokenize(sentence);

单词序列如下：

["Mary", "and", "Samantha", "arrived", "at", "the", "bus", "station", "early", "but", "waited", "until", "noon", "for", "the", "bus"]

下一步我们要对所有的单词编码，也就是用数字来表示每一个单词

const encode = tokens => {
  let encoding_map = {};
  let decoding_map = {};
  let index = 0;
  tokens.map( token => {
    if( !encoding_map.hasOwnProperty(token) ) {
      const pair = {};
      const unpair = {};
      pair[token] = index;
      unpair[index] = token;
      encoding_map = {...encoding_map, ...pair}; 
      decoding_map = {...decoding_map, ...unpair}; 
      index++;
    }
  })
  return {
    map: encoding_map,
    count: index,
    encode: function(word) {
      return encoding_map[word];
    },
    decode: function(index) {
      return decoding_map[index];
    }
  };
}

const encoding = encode(tokens);
const vocab_size = encoding.count;

编码的方式很简单，我们统计每一个出现的单词，然后给每一个单词一个对应的数字。我们使用了两个map，一个存放从单词到数字索引的映射，另一个存放相反的从索引到单词的映射。这个例子中，一种出现了14个单词，那么索引的数字就是从0到13。

准备训练数据

下一步，我们来准备训练数据：

const to_one_hot = (index, size) => {
  return tf.oneHot(index, size);
} 

// training data
const data = [];
const window_size = 2 + 1;
for ( let i = 0; i < tokens.length; i ++ ) {
  const token = tokens[i];
  for ( let j = i - window_size; j < i + window_size; j ++) {
    if ( j >= 0 && j !=i && j < tokens.length) {
      data.push( [ token, tokens[j]] )
    }
  }
}

const x_train_data = [];
const y_train_data = [];
data.map( pair => {
  x = to_one_hot(encoding.encode(pair[0]), vocab_size);
  y = to_one_hot(encoding.encode(pair[1]), vocab_size);
  x_train_data.push(x);
  y_train_data.push(y);
})  

const x_train = tf.stack(x_train_data);
const y_train = tf.stack(y_train_data);
console.log(x_train.shape);
console.log(y_train.shape);

one_hot encoding是一种常用的编码方式，例如，对于索引为2的单词，它的one_hot encoding 就是[0,0,1 .... 0], 就是索引位是1其它都是0 的向量，向量的长度和所有单词的数量相等。这里我们定义的上下文滑动窗口的大小为2，对于每一个词，找到它的前后出现的4个单词构成4对，用该词作为训练的输入，上下文的四个词作为目标。（注意在文首尾出的词上下文不足四个）

0: (2) ["Mary", "and"]
1: (2) ["Mary", "Samantha"]
2: (2) ["and", "Mary"]
3: (2) ["and", "Samantha"]
4: (2) ["and", "arrived"]
5: (2) ["Samantha", "Mary"]
6: (2) ["Samantha", "and"]
7: (2) ["Samantha", "arrived"]
8: (2) ["Samantha", "at"]
9: (2) ["arrived", "Mary"]
10: (2) ["arrived", "and"]
... ...

训练集合如上图所示，第一个词是训练的输入，第二次的训练的目标。我们这里采用的方法类似Skip-Gram，因为上下文是预测对象。

模型构建和训练

训练集合准备好，就可以用开始构建模型了。

const build_model = (input_size,output_size) => {
  const model = tf.sequential();

  model.add(tf.layers.dense({
     units: 2, inputShape: output_size, name:'embedding'
  }));
  model.add(tf.layers.dense(
    {units: output_size, kernelInitializer: 'varianceScaling', activation: 'softmax'}));
  return model;
}

const model = build_model(vocab_size, vocab_size);
  
model.compile({
  optimizer: tf.train.adam(),
  loss: tf.losses.softmaxCrossEntropy,
  metrics: ['accuracy'],
});

我们的模型很简单，是一个两层的神经网络，第一层就是我们要训练的嵌入层，第二层是一个激活函数为Softmax的Dense层。因为我们的目标是预测究竟是哪一个单词，其实就是一个分类问题。这里要注意得是我是用的嵌入层的unit是2，也就是说训练的向量的长度是2，实际用户可以选择任何长度的词向量空间，这里我用2是为了便于下面的词向量的可视化，省去了降维的操作。

训练的过程也很简单：

const batchSize = 16;
const epochs = 500;

model.fit(x_train, y_train, {
  batchSize,
  epochs,
  shuffle: true,
});

可视化词向量

训练完成后，我们可以利用该模型的embeding层来生成每一个单词的嵌入向量。然后在二维空间中展示。

// visualize embedding layer
const embedding_layer = model.getLayer('embedding');
const vis_model = tf.sequential();
vis_model.add(embedding_layer);
const vis_result = vis_model.predict(predict_inputs).arraySync();
console.log(vis_result);

const viz_data = [];
for ( let i = 0; i < vocab_size; i ++ ) {
  const word = encoding.decode(i);
  const pos = vis_result[i];
  console.log(word,pos);
  viz_data.push( { label:word, x:pos[0], y :pos[1]});
}

const chart = new G2.Chart({
  container: 'chart',
  width: 600,
  height: 600
});
chart.source(viz_data);
chart.point().position('x*y').label('label');
chart.render();

生成的词向量的例子如下：

"Mary" [-0.04273216053843498, -0.18541619181632996]
"and" [0.09561611711978912, -0.29422900080680847]
"Samantha" [0.08887559175491333, 0.019271137192845345]
"arrived" [-0.47705259919166565, -0.024428391829133034]

可视化关系如下图：



总结

词向量嵌入常常是自然语言处理的第一步操作，用于提取文本特征。我们演示了如何训练一个模型来构建词向量。当然实际操作中，你可以直接使用js.tensorflow.org/api/l 来构建你的文本模型，本文是为了演示词向量的基本原理。代码参见codepen.io/gangtao/full

参考

发布于 2019-03-18 15:58