doc2vec原理及实践
原文地址：https://blog.csdn.net/john_xyz/article/details/79208564
1.“句向量”简介
word2vec提供了高质量的词向量，并在一些任务中表现良好。
关于word2vec的原理可以参考这几篇论文：
- https://arxiv.org/pdf/1310.4546.pdf
- https://arxiv.org/pdf/1301.3781.pdf
关于如何使用第三方库gensim训练word2vec可以参考这篇博客：
- http://blog.csdn.net/john_xyz/article/details/54706807
尽管word2vec提供了高质量的词汇向量，仍然没有有效的方法将它们结合成一个高质量的文档向量。对于一个句子、文档或者说一个段落，怎么把这些数据投影到向量空间中，并具有丰富的语义表达呢？过去人们常常使用以下几种方法：
- bag of words
- LDA
- average word vectors
- tfidf-weighting word vectors
就bag of words而言，有如下缺点：1.没有考虑到单词的顺序，2.忽略了单词的语义信息。因此这种方法对于短文本效果很差，对于长文本效果一般，通常在科研中用来做baseline。
average word vectors就是简单的对句子中的所有词向量取平均。是一种简单有效的方法，但缺点也是没有考虑到单词的顺序
tfidf-weighting word vectors是指对句子中的所有词向量根据tfidf权重加权求和，是常用的一种计算sentence embedding的方法，在某些问题上表现很好，相比于简单的对所有词向量求平均，考虑到了tfidf权重，因此句子中更重要的词占得比重就更大。但缺点也是没有考虑到单词的顺序
LDA模型当然就是计算出一片文档或者句子的主题分布。也常常用于文本分类任务，后面会专门写一篇文章介绍LDA模型和doc2vec的本质不同
2. doc2vec原理
doc2vec是google的两位大牛Quoc Le和Tomas Mikolov在2014年提出的，原始论文地址如下：https://cs.stanford.edu/~quocle/paragraph_vector.pdf
Doc2Vec 或者叫做 paragraph2vec, sentence embeddings，是一种非监督式算法，可以获得 sentences/paragraphs/documents 的向量表达，是 word2vec 的拓展。学出来的向量可以通过计算距离来找 sentences/paragraphs/documents 之间的相似性，可以用于文本聚类，对于有标签的数据，还可以用监督学习的方法进行文本分类，例如经典的情感分析问题。
在介绍doc2vec原理之前，先简单回顾下word2vec的原理
word2vec基本原理
熟悉word2vec的同学都知道，下图是学习词向量表达最经典的一幅图。在下图中，任务就是给定上下文，预测上下文的其他单词。
其中，每个单词都被映射到向量空间中，将上下文的词向量级联或者求和作为特征，预测句子中的下一个单词。一般地：给定如下训练单词序列w1,w2,w3,...,wT, 目标函数是
当然，预测的任务是一个多分类问题，分类器最后一层使用softmax，计算公式如下：
这里的每一个yi可以理解为预测出每个word的概率。因为在该任务中，每个词就可以看成一个类别。计算yi的公式如下：
这里U和b都是参数，h是将
级联或者求平均。
因为每个单词都是一类，所以类别众多，在计算softmax归一化的时候，效率很低。因此使用hierarical softmax加快计算速度，其实就是huffman树，这个不再赘述，有兴趣的同学可以看word2vec的paper。
doc2vec基本原理
1. A distributed memory model
训练句向量的方法和词向量的方法非常类似。训练词向量的核心思想就是说可以根据每个单词wi的上下文预测wi，也就是说上下文的单词对wi是有影响的。那么同理，可以用同样的方法训练doc2vec。例如对于一个句子s:i want to drink water，如果要去预测句子中的单词want，那么不仅可以根据其他单词生成feature， 也可以根据其他单词和句子s来生成feature进行预测。因此doc2vec的框架如下所示：
每个段落/句子都被映射到向量空间中，可以用矩阵D的一列来表示。每个单词同样被映射到向量空间，可以用矩阵W的一列来表示。然后将段落向量和词向量级联或者求平均得到特征，预测句子中的下一个单词。
这个段落向量/句向量也可以认为是一个单词，它的作用相当于是上下文的记忆单元或者是这个段落的主题，所以我们一般叫这种训练方法为Distributed Memory Model of Paragraph Vectors(PV-DM)
在训练的时候我们固定上下文的长度，用滑动窗口的方法产生训练集。段落向量/句向量 在该上下文中共享。
总结doc2vec的过程, 主要有两步：
- 训练模型，在已知的训练数据中得到词向量W, softmax的参数U和b,以及段落向量/句向量D
- 推断过程（inference stage），对于新的段落，得到其向量表达。具体地，在矩阵DD中添加更多的列，在固定W,U,b的情况下，利用上述方法进行训练，使用梯度下降的方法得到新的D,从而得到新段落的向量表达
2. Paragraph Vector without word ordering: Distributed bag of words
还有一种训练方法是忽略输入的上下文，让模型去预测段落中的随机一个单词。就是在每次迭代的时候，从文本中采样得到一个窗口，再从这个窗口中随机采样一个单词作为预测任务，让模型去预测，输入就是段落向量。如下所示：
我们称这种模型为 Distributed Bag of Words version of Paragraph Vector(PV-DBOW)
在上述两种方法中，我们可以使用PV-DM或者PV-DBOW得到段落向量/句向量。对于大多数任务，PV-DM的方法表现很好，但我们也强烈推荐两种方法相结合。
3. 基于gensim的doc2vec实践
我们使用第三方库gensim进行doc2vec模型的训练
# -*- coding: utf-8 -*-
import sys
import logging
import os
import gensim
# 引入doc2vec
from gensim.models import Doc2Vec
curPath = os.path.abspath(os.path.dirname(__file__))
rootPath = os.path.split(curPath)[0]
sys.path.append(rootPath)
from utilties import ko_title2words
# 引入日志配置
logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
# 加载数据
documents = []
# 使用count当做每个句子的“标签”，标签和每个句子是一一对应的
count = 0
with open('../data/titles/ko.video.corpus','r') as f:
for line in f:
title = unicode(line, 'utf-8')
# 切词，返回的结果是列表类型
words = ko_title2words(title)
# 这里documents里的每个元素是二元组，具体可以查看函数文档
documents.append(gensim.models.doc2vec.TaggedDocument(words, [str(count)]))
count += 1
if count % 10000 == 0:
logging.info('{} has loaded...'.format(count))
# 模型训练
model = Doc2Vec(documents, dm=1, size=100, window=8, min_count=5, workers=4)
# 保存模型
model.save('models/ko_d2v.model')接下来看看训练好的模型可以做什么
def test_doc2vec():
# 加载模型
model = doc2vec.Doc2Vec.load('models/ko_d2v.model')
# 与标签‘0’最相似的
print(model.docvecs.most_similar('0'))
# 进行相关性比较
print(model.docvecs.similarity('0','1'))
# 输出标签为‘10’句子的向量
print(model.docvecs['10'])
# 也可以推断一个句向量(未出现在语料中)
words = u"여기 나오는 팀 다 가슴"
print(model.infer_vector(words.split()))
# 也可以输出词向量
print(model[u'가슴'])以上都是一些比较常见的用法，更多的用法请参https://radimrehurek.com/gensim/models/doc2vec.html