【NLP实战】tensorflow词向量训练实战

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

graph = tf.Graph()   # input data# operations and variables# construct the variables for the NCE loss

      nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

     ncs_loss_test=tf.nn.nce_loss(weights=nce_weights, biases=nce_biases,labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)    

     loss = tf.reduce_mean(tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size))   # construct the SGD optimizer using a learning rate of 1.0 # compute the cosine similarity between minibatch examples and all embeddings

   # add variable initializer

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。

我们也会在知识星球讨论代码的具体实现和优化，感兴趣扫描下面的二维码了解。

读者们可以留言，或者加入我们的NLP群进行讨论。感兴趣的同学可以微信搜索jen104，备注"加入有三AI NLP群"。

下期预告：贝叶斯文本分类介绍

知识星球推荐

扫描上面的二维码，就可以加入我们的星球，助你成长为一名合格的自然语言处理算法工程师。

知识星球主要有以下内容：

(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景，几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点，通过介绍聊天机器人的原理和实践，逐步系统的更新到大部分NLP的知识，会包括语义匹配，文本分类，意图识别，语义匹配命名实体识别、对话管理以及分词等。

(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性，就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施，目前各大公司都在着力打造知识图谱，作为一个NLP工程师，必须要熟悉和了解他。

(3) NLP预训练模型。基于海量数据，进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式，很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解？

转载文章请后台联系

侵权必究

往期精选