极简使用︱Glove-python词向量训练与使用

glove/word2vec/fasttext目前词向量比较通用的三种方式，其中word2vec来看，在gensim已经可以极快使用（可见：python︱gensim训练word2vec及相关函数与功能理解）

官方glove教程比较啰嗦，可能还得设置一些参数表，操作不是特别方便。
笔者使用的时候，用的是一款比较省力/封装的。

官方glove:https://github.com/stanfordnlp/GloVe
笔者使用：https://github.com/maciejkula/glove-python

---

1 安装：

pip install glove_python

---

2 训练：

具体函数细节可参考：github

生成嵌入是一个两步过程： 从语料库中生成一个匹配矩阵，然后用它生成嵌入矩阵。 Corpus 类有助于从令牌的interable构建一个语料库。
还支持基本的pagragraph向量。 在word空间vector段落向量是在单词向量空间中嵌入段落，这样段落表示就接近于它所包含的单词，因为在语料库中的单词的频率调整。 在训练模型上通过调用 transform_paragraph 方法来训练单词嵌入后，可以得到这些结果。

其中段落向量是词向量的平均可见(该模块没有教程，笔者就不做过多分析了)：

paragraph_vector = np.mean(self.word_vectors[word_ids], axis=0)

（1）准备数据集

from __future__ import print_function
import argparse
import pprint
import gensim
from glove import Glove
from glove import Corpus

sentense = [['你','是','谁'],['我','是','中国人']]
corpus_model = Corpus()
corpus_model.fit(sentense, window=10)
#corpus_model.save('corpus.model')
print('Dict size: %s' % len(corpus_model.dictionary))
print('Collocations: %s' % corpus_model.matrix.nnz)

其中corpus_model.fit(corpus, window=10, ignore_missing=False)
ignore_missing代表如果出现OOV的词，该如何处理。

（2）训练

glove = Glove(no_components=100, learning_rate=0.05)
glove.fit(corpus_model.matrix, epochs=10,
          no_threads=1, verbose=True)
glove.add_dictionary(corpus_model.dictionary)

>>> Performing 10 training epochs with 1 threads
>>> Epoch 0
>>> Epoch 1
>>> Epoch 2
>>> Epoch 3
>>> Epoch 4
>>> Epoch 5
>>> Epoch 6
>>> Epoch 7
>>> Epoch 8
>>> Epoch 9

维度no_components，可以与word2vec一起使用。
模型得保存为：glove.save('glove.model')

（3）使用：模型得保存与加载

glove模型保存与加载：

glove.save('glove.model')
glove = Glove.load('glove.model')

corpus保存与加载：

corpus_model.save('corpus.model')
corpus_model = Corpus.load('corpus.model')

（4）使用：求相似词

根据glove求相似词。

glove.most_similar('我', number=10)

>>> [('中国人', 0.15130809810072138),
>>>  ('你', 0.0739901044877504),
>>>  ('谁', -0.05137569131012555),
>>>  ('是', -0.08668606334919005)]

（5）使用：词向量矩阵

词向量矩阵

# 全部词向量矩阵
glove.word_vectors
# 指定词条词向量
glove.word_vectors[glove.dictionary['你']]

语料协同矩阵 corpus coocurrence matrix

corpus_model.matrix.todense().tolist()

>>>     [[0.0, 1.0, 0.5, 0.0, 0.0],
		 [0.0, 0.0, 1.0, 1.0, 1.0],
		 [0.0, 0.0, 0.0, 0.0, 0.0],
		 [0.0, 0.0, 0.0, 0.0, 0.5],
		 [0.0, 0.0, 0.0, 0.0, 0.0]]

由corpus_model引出得语料协同矩阵