一文详解 Word2vec 之 Skip-Gram 模型（实现篇）

Question

前言

上一篇的专栏介绍了 Word2Vec 中的 Skip-Gram 模型的结构和训练，如果看过的小伙伴可以直接开始动手用 TensorFlow 实现自己的 Word2Vec 模型，本篇文章将利用 TensorFlow 来完成 Skip-Gram 模型。还不是很了解 Skip-Gram 思想的小伙伴可以先看一下上一篇的专栏内容。

本篇实战代码的目的主要是加深对 Skip-Gram 模型中一些思想和 trick 的理解。由于受限于语料规模、语料质量、算法细节以及训练成本的原因，训练出的结果显然是无法跟 gensim 封装的 Word2Vec 相比的，本代码适合新手去理解与练习 Skip-Gram 模型的思想。

工具介绍

• 语言：Python 3
• 包：TensorFlow（1.0 版本）及其它数据处理包（见代码中）
• 编辑器：jupyter notebook
• 线上GPU：floyd https://www.floydhub.com/
• 数据集：经过预处理后的维基百科文章（英文）

正文部分

文章主要包括以下四个部分进行代码构造：

数据预处理

训练样本构建

模型构建

模型验证

1 数据预处理

关于导入包和加载数据在这里就不写了，比较简单，请参考git上的代码。

数据预处理部分主要包括：

• 替换文本中特殊符号并去除低频词
• 对文本分词
• 构建语料
• 单词映射表

首先我们定义一个函数来完成前两步，即对文本的清洗和分词操作。

上面的函数实现了替换标点及删除低频词操作，返回分词后的文本。

下面让我们来看看经过清洗后的数据：

有了分词后的文本，就可以构建我们的映射表，代码就不再赘述，大家应该都比较熟悉。

我们还可以看一下文本和词典的规模大小：

整个文本中单词大约为1660万的规模，词典大小为6万左右，这个规模对于训练好的词向量其实是不够的，但可以训练出一个稍微还可以的模型。

2 训练样本构建

我们知道skip-gram中，训练样本的形式是(input word, output word)，其中output word是input word的上下文。为了减少模型噪音并加速训练速度，我们在构造batch之前要对样本进行采样，剔除停用词等噪音因素。

采样

在建模过程中，训练文本中会出现很多“the”、“a”之类的常用词（也叫停用词），这些词对于我们的训练会带来很多噪音。在上一篇Word2Vec中提过对样本进行抽样，剔除高频的停用词来减少模型的噪音，并加速训练。

我们采用以下公式来计算每个单词被删除的概率大小：

其中 f(w_i) 代表单词 w_i 的出现频次。t为一个阈值，一般介于1e-3到1e-5之间。

上面的代码计算了样本中每个单词被删除的概率，并基于概率进行了采样，现在我们手里就拿到了采样过的单词列表。

构造batch

我
们先来分析一下skip-gram的样本格式。skip-gram不同于CBOW，CBOW是基于上下文预测当前 input word。而 skip-gram 则是基于一个input word来预测上下文，因此一个input word会对应多个上下文。我们来举个栗子 The quick brown fox jumps over lazy dog，如果我们固定 skip_window=2 的话，那么 fox 的上下文就是 [quick, brown, jumps,over]，如果我们的 batch_size=1 的话，那么实际上一个batch中有四个训练样本。

上面的分析转换为代码就是两个步骤，第一个是找到每个input word的上下文，第二个就是基于上下文构建batch。

首先是找到input word的上下文单词列表：

我
们定义了一个get_targets函数，接收一个单词索引号，基于这个索引号去查找单词表中对应的上下文（默认window_size=5）。请注意这里有一个小trick，我在实际选择input word上下文时，使用的窗口大小是一个介于[1, window_size]区间的随机数。这里的目的是让模型更多地去关注离input word更近词。

我们有了上面的函数后，就能够轻松地通过input word找到它的上下文单词。有了这些单词我们就可以构建我们的batch来进行训练：

注
意上面的代码对batch的处理。我们知道对于每个input word来说，有多个 output word（上下文）。例如我们的输入是 fox，上下文是[quick, brown, jumps, over]，那么fox这一个batch中就有四个训练样本[fox, quick], [fox, brown], [fox, jumps], [fox, over]。

3 模型构建

数据预处理结束后，就需要来构建我们的模型。在模型中为了加速训练并提高词向量的质量，我们采用负采样方式进行权重更新。

输入层到嵌入层

输入层到隐层的权重矩阵作为嵌入层要给定其维度，一般embeding_size设置为50-300之间。

嵌入层的 lookup 通过 TensorFlow 中的 embedding_lookup 实现，详见：

http://t.cn/RofvbgF

嵌入层到输出层

在
skip-gram中，每个input word的多个上下文单词实际上是共享一个权重矩阵，我们将每个（input word, output word）训练样本来作为我们的输入。为了加速训练并且提高词向量的质量，我们采用negative sampling的方法来进行权重更新。

TensorFlow 中的 sampled_softmax_loss，由于进行了 negative sampling，所以实际上我们会低估模型的训练 loss。详见：http://t.cn/RofvS4t

请注意代码中的softmax_w的维度是vocab_size x embedding_size，这是因为TensorFlow中的sampled_softmax_loss中参数weights的size是[num_classes, dim]。

4 模型验证

在上面的步骤中，我们已经将模型的框架搭建出来，下面就让我们来训练训练一下模型。为了能够更加直观地观察训练每个阶段的情况。我们来挑选几个词，看看在训练过程中它们的相似词是怎么变化的。

训练模型：

在这里注意一下，尽量不要经常去让代码打印验证集相似的词，因为这里会多了一步计算步骤，就是计算相似度，会非常消耗计算资源，计算过程也很慢。所以代码中我设置1000轮打印一次结果。

从最后的训练结果来看，模型还是学到了一些常见词的语义，比如one等计数词以及gold之类的金属词，animals中的相似词也相对准确。

为了能够更全面地观察我们训练结果，我们采用sklearn中的TSNE来对高维词向量进行可视化。详见：http://t.cn/Rofvr7D

上面的图中通过TSNE将高维的词向量按照距离远近显示在二维坐标系中，该图已经在git库中，想看原图的小伙伴去 git 看~

我们来看一下细节：

上面是显示了整张大图的局部区域，可以看到效果还不错。

关于提升效果的技巧：

• 增大训练样本，语料库越大，模型学习的可学习的信息会越多。
• 增加window size，可以获得更多的上下文信息。
• 增加embedding size可以减少信息的维度损失，但也不宜过大，我一般常用的规模为50-300。

附录

git代码中还提供了中文的词向量计算代码。同时提供了中文的一个训练语料，语料是我从某招聘网站上爬取的招聘数据，做了分词和去除停用词的操作（可从git获取），但语料规模太小，训练效果并不好。

上面是我用模型训练的中文数据，可以看到有一部分语义被挖掘出来，比如word和excel、office很接近，ppt和project、文字处理等，以及逻辑思维与语言表达等，但整体上效果还是很差。一方面是由于语料的规模太小（只有70兆的语料），另一方面是模型也没有去调参。如果有兴趣的同学可以自己试下会不会有更好的效果。

完整代码请见：http://t.cn/RofPq2p