作者 | Mate Pocs?

編譯 | VK?

來源 | Towards Data Science

Word2vec絕對是我在自然語言處理研究中遇到的最有趣的概念。想象一下，有一種算法可以成功地模擬理解單詞的含義及其在語言中的功能，它可以在不同的主題內來衡量單詞之間的接近程度。

我認為可視化地表示word2vec向量會很有趣：本質上，我們可以獲取國家或城市的向量，應用主成分分析來減少維度，并將它們放在二維圖表上。然后，我們可以觀察可視化的結果。

在本文中，我們將：

• 從廣義上討論word2vec理論；

• 下載原始的預訓練向量；

• 看看一些有趣的應用程序：比如對一些單詞進行算術運算，比如著名的king-man+woman=queen等式

• 根據word2vec向量看看我們能多精確地來繪制歐洲的首都。

word2vec的原始研究論文和預訓練模型來自2013年，考慮到NLP文獻的擴展速度，目前它是老技術。較新的方法包括GloVe（更快，可以在較小的語料庫上訓練）和fastText（能夠處理字符級的n-gram）。

Quick Word2Vec簡介

自然語言處理的核心概念之一是如何量化單詞和表達式，以便能夠在模型環境中使用它們。語言元素到數值表示的這種映射稱為詞嵌入。

Word2vec是一個詞嵌入過程。這個概念相對簡單：通過一個句子一個句子地在語料庫中循環去擬合一個模型，根據預先定義的窗口中的相鄰單詞預測當前單詞。

為此，它使用了一個神經網絡，但實際上最后我們并不使用預測的結果。一旦模型被保存，我們只保存隱藏層的權重。在我們將要使用的原始模型中，有300個權重，因此每個單詞都由一個300維向量表示。

請注意，兩個單詞不必彼此接近的地方才被認為是相似的。如果兩個詞從來沒有出現在同一個句子中，但它們通常被相同的包圍，那么可以肯定它們有相似的意思。

word2vec中有兩種建模方法：skip-gram和continuous bag of words，這兩種方法都有各自的優點和對某些超參數的敏感性……但是你知道嗎？我們將不擬合我們自己的模型，所以我不會花時間在它上面。

當然，你得到的詞向量取決于你訓練模型的語料庫。一般來說，你確實需要一個龐大的語料庫，有維基百科上訓練過的版本，或者來自不同來源的新聞文章。我們將要使用的結果是在Google新聞上訓練出來的。

如何下載和安裝

首先，你需要下載預訓練word2vec向量。你可以從各種各樣的模型中進行選擇，這些模型是針對不同類型的文檔進行訓練的。

我用的是最初的模型，在Google新聞上受過訓練，你可以從很多來源下載，只需搜索“Google News vectors negative 300”。或者， 在這里下載：https://github.com/mmihaltz/word2vec-GoogleNews-vectors。

注意，這個文件是1.66gb，但它包含了30億字的300維表示。

當談到在Python中使用word2vec時，再一次，你有很多包可供選擇，我們將使用gensim庫。假設文件保存在word2vec_pretrained文件夾中，可以用Python加載，代碼如下所示：

from?gensim.models.keyedvectors?import?KeyedVectorsword_vectors?=?KeyedVectors.load_word2vec_format(\'./word2vec_pretrained/GoogleNews-vectors-negative300.bin.gz',?\binary?=?True,?limit?=?1000000)

limit參數定義了要導入的單詞數，100萬對于我來說已經足夠了。

探索Word2vec

現在我們已經有了word2vec向量，我們可以查看它的一些相關有趣的用法。

首先，你可以實際檢查任何單詞的向量表示：

word_vectors['dog']

結果，正如我們預期的，是一個300維的向量，并且這個向量很難解釋。我們通過對這些向量的加和減來計算新向量，然后計算余弦相似度來找到最接近的匹配詞。

你可以使用most_similar函數找到同義詞，topn參數定義要列出的單詞數：

word_vectors.most_similar(positive?=?['nice'],?topn?=?5)

結果

[('good',?0.6836092472076416),('lovely',?0.6676311492919922),('neat',?0.6616737246513367),('fantastic',?0.6569241285324097),('wonderful',?0.6561347246170044)]

現在，你可能認為用類似的方法，你也可以找到反義詞，你可能認為只需要把“nice”這個詞作為negative輸入。但結果卻是

[('J.Gordon_###-###',?0.38660115003585815),('M.Kenseth_###-###',?0.35581791400909424),('D.Earnhardt_Jr._###-###',?0.34227001667022705),('G.Biffle_###-###',?0.3420777916908264),('HuMax_TAC_TM',?0.3141660690307617)]

這些詞實際上表示離“nice”這個詞最遠的詞。

使用doesnt_match函數可以找出異常詞：

word_vectors.doesnt_match( ['Hitler',?'Churchill',?'Stalin',?'Beethoven'])

返回Beethoven。我想這很方便。

最后，讓我們看看一些操作的例子，這些操作通過賦予算法一種虛假的智能感而出名。如果我們想合并father和woman這兩個詞的向量，并且減去man這個詞的向量，代碼如下

word_vectors.most_similar( positive?=?['father',?'woman'],?negative?=?['man'],?topn?=?1)

我們得到：

[('mother',?0.8462507128715515)]

腦子先轉一轉，想象一下我們只有兩個維度：親子關系和性別?！芭恕边@個詞可以用這個向量來表示：[0，1]，“男人”是[0，-1]，“父親”是[1，-1]，“母親”是[1，1]?，F在，如果我們做同樣的運算，我們得到同樣的結果。當然，區別在于我們有300個維度，而不是示例中僅有的2個維度，維度的含義幾乎無法解釋。

在word2vec操作中，有一個著名的性別偏見例子，“doctor”這個詞的女性版本過去被計算為“nurse”。我試著復制，但沒有得到同樣的結果：

word_vectors.most_similar( positive?=?['doctor',?'woman'],?negative?=?['man'],?topn?=?1)[('gynecologist',?0.7093892097473145)]

我們得到了婦科醫生，所以，我想這可能是進步吧？

好吧，現在我們已經檢查了一些基本的函數，讓我們來研究我們的可視化吧！

Map函數

首先，我們需要一個Map函數。假設我們有一個要可視化的字符串列表和一個詞嵌入，我們希望：

找到列表中每個單詞的詞向量表示；

利用主成分分析法將維數降到2；

創建散點圖，將單詞作為每個數據點的標簽；

另外一個額外的好處是，可以從任何維度“旋轉”結果——主成分分析的向量是任意方向的，當我們繪制地理單詞時，我們可能想要改變這個方向，看是否可以與現實世界的方向一致。

我們需要以下庫：

import?matplotlib.pyplot?as?plt import?seaborn?as?sns from?sklearn.decomposition?import?PCAimport?adjustText

列表中不常用的一個庫是adjustText，這是一個非常方便的包，它使得在散點圖中編寫圖例變得簡單，而不會重疊。對于我來說，找到這個解決方案非常困難，而且據我所知，在matplotlib或seaborn中沒有辦法做到這一點。

無需進一步說明，此函數將完全滿足我們的需要：

def?plot_2d_representation_of_words(word_list,?word_vectors,?flip_x_axis?=?False,flip_y_axis?=?False,label_x_axis?=?"x",label_y_axis?=?"y",?label_label?=?"city"):pca?=?PCA(n_components?=?2)word_plus_coordinates=[]for?word?in?word_list:?current_row?=?[]current_row.append(word)current_row.extend(word_vectors[word])word_plus_coordinates.append(current_row)word_plus_coordinates?=?pd.DataFrame(word_plus_coordinates)coordinates_2d?=?pca.fit_transform(word_plus_coordinates.iloc[:,1:300])coordinates_2d?=?pd.DataFrame(coordinates_2d,?columns=[label_x_axis,?label_y_axis])coordinates_2d[label_label]?=?word_plus_coordinates.iloc[:,0]if?flip_x_axis:coordinates_2d[label_x_axis]?=?\coordinates_2d[label_x_axis]?*?(-1)if?flip_y_axis:coordinates_2d[label_y_axis]?=?\coordinates_2d[label_y_axis]?*?(-1)plt.figure(figsize?=?(15,10))p1=sns.scatterplot(data=coordinates_2d,?x=label_x_axis,?y=label_y_axis)x?=?coordinates_2d[label_x_axis]y?=?coordinates_2d[label_y_axis]label?=?coordinates_2d[label_label]texts?=?[plt.text(x[i],?y[i],?label[i])?for?i?in?range(len(x))]adjustText.adjust_text(texts)

現在是測試函數的時候了。我畫出了歐洲國家的首都。你可以使用任何列表，例如總統或其他歷史人物的名字，汽車品牌，烹飪原料，搖滾樂隊等等，只要在word_list參數中傳遞它。很有意思的是看到一堆堆的東西在兩個軸后面形成一個意思。

如果你想重現結果，以下是城市：

capitals?=?['Amsterdam',?'Athens',?'Belgrade',?'Berlin',?'Bern',?'Bratislava',?'Brussels',?'Bucharest',?'Budapest',?'Chisinau',?'Copenhagen','Dublin',?'Helsinki',?'Kiev','Lisbon',?'Ljubljana',?'London',?'Luxembourg','Madrid','Minsk',?'Monaco',?'Moscow',?'Nicosia',?'Nuuk',?'Oslo',?'Paris','Podgorica',?'Prague',?'Reykjavik',?'Riga',?'Rome',?'San_Marino',?'Sarajevo','Skopje',?'Sofia',?'Stockholm',?'Tallinn',?'Tirana',?'Vaduz',?'Valletta','Vatican',?'Vienna',?'Vilnius',?'Warsaw',?'Zagreb']

假設你仍然有我們在上一節中創建的word_vectors對象，可以這樣調用函數：

plot_2d_representation_of_words(word_list?=?capitals,?word_vectors?=?word_vectors,?flip_y_axis?=?True)

（翻轉y軸是為了創建更像真實貼圖的表示。）

結果是：

我不知道你的感受，當我第一次看到地圖的時候，我真不敢相信結果會有多好！是的，當然，你看得越久，你發現的“錯誤”就越多，一個不好的結果就是莫斯科離東方的距離并不像它應該的那么遠……盡管如此，東西方幾乎完全分離，斯堪的納維亞和波羅的海國家被很好地組合在一起，意大利周圍的首都也是如此。

需要強調的是，這絕不是純粹的地理位置，例如，雅典離西方很遠，但這是有原因的。讓我們回顧一下上面的地圖是如何導出的，這樣我們就可以充分理解它了：

• 谷歌的一組研究人員訓練了一個龐大的神經網絡，根據上下文預測單詞；

• 他們將每個單詞的權重保存在一個300維的向量表示中；

• 我們計算歐洲各國首都的向量；

• 利用主成分分析法將維數降到2；

• 把計算出的成分放在圖表上。

所以，語義的信息不能代表真實地理信息。但我覺得這個嘗試很有趣。

---

參考引用

• Hobson, L. & Cole, H. & Hannes, H. (2019). Natural Language Processing in Action: Understanding, Analyzing, and Generating Text with Python. Manning Publications, 2019.

• https://en.wikipedia.org/wiki/Word2vec

• https://adjusttext.readthedocs.io/en/latest/

原文鏈接：https://towardsdatascience.com/how-to-draw-a-map-using-python-and-word2vec-e9627b4eae34

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【NLP】使用Python可视化Word2vec的结果的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。