Glove词向量

转载自http://www.fanyeong.com/2018/02/19/glove-in-detail/

Glove词向量出自于论文《Glove:Global Vectors for Word Representation》

什么是Glove？

Glove的全称是Global Vectors for Word Representation,中文意思是全局词向量，它是一个基于全局词频统计（count-based&overall statistics）的词表征(word representation)工具。
跟word2vec一样，它可以把一个单词表示成一个由实数组成的向量，向量可以捕捉单词之间的一些语义特性，如相似性（similarity）、类比性（analogy）。并且通过对向量的运算，如欧几里得距离或cosine相似度，可以计算两个单词之间的语义相似性。

Glove是如何实现的？

根据语料库（corpus）构建一个共现矩阵（Co-occurrence Matrix），矩阵中每一个元素代表单词和单词在特定大小的上下文窗口（context window）内共同出现的次数。一般，这个次数的最小值是1，但Glove做了进一步处理：它根据两个单词在上下文窗口的距离，提出了一个衰减函数（decreasing weighting）：用于计算权重，也就是说距离越远的两个单词所占总计数（total count）的权重越小。
构建词向量（Word Vector）和共现矩阵（Co-occurrence Matrix）之间的近似关系：

其中，和是要求的词向量，和分别是两个词向量的偏置项。

3.构造loss function：

这个损失函数是最简单的mean square loss，只不过在此基础上增加了一个权重函数，它的作用在于：对于在一个语料库中经常一起出现的单词（frequent occurrence），

这些单词的权重要大于那些很少在一起出现的单词（rare occurrence），所以这个函数是非递减函数；
这些单词的权重也不能太大（overweighted），当到达一定程度之后应该不再增加；
如果两个单词没有在一起出现，即，那么它们不应该参与到loss function 的计算中去，即

文中，作者采用了符合上述条件的分段函数：

分段函数

文中的所有实验，的取值都是的取值都是。

Glove是怎么训练的？

虽然很多人声称Glove是一种无监督（unsupervised learning）的学习方式，即不需要人工标注数据，但实际上它还是有标签的，这个标签就是，而向量和就是要不断更新学习的参数。因此，本质上它的训练方式和监督学习的训练方式没有什么不同，都是基于梯度下降的。

训练的具体做法是：采用AdaGrad的梯度下降算法，对矩阵中的所有非零元素进行随机采样，学习率设置为0.05，在vector size小于300的情况下迭代50次，其他大小的vector size迭代100次，直至收敛。

因为是对称的，所以最终学到的两个词向量和应该也是对称的，等价的，只不过由于初始值不一样，导致最终的值不一样。为了提高鲁棒性，最终选择两者之和作为最终的词向量（两者的初始化不同相当于加了不同的随机噪声所以能提高鲁棒性）。

实验结果

这个图一共采用了三个指标：语义准确度，语法准确度以及总体准确度。那么我们不难发现Vector Dimension在300时能达到最佳，而context Windows size大致在6到10之间。

Glove与LSA、word2vec的比较

LSA（Latent Semantic Analysis）是一种比较早的count-based的词向量表征工具，是基于co-occurence matrix的。其采用基于奇异值分解（SVD）的矩阵分解技术对大矩阵进行降维，因为SVD的复杂度很高，所以计算代价比较大。此外，它对所有单词的统计权重都是一致的。
word2vec最大的缺点是只利用了固定窗口内的语料，而没有充分利用所有的语料。
所以Glove是把两者的优点结合了起来。

参考实践代码

如果本身语料比较小，微调没什么作用，或者自己直接训练没有很强的算力，直接使用采用大数据进行预训练的glove词向量也会有比较好的效果。

import numpy as np

DEFAULT_FILE_PATH = "utils/datasets/glove.6B.50d.txt"

def loadWordVectors(tokens, filepath=DEFAULT_FILE_PATH, dimensions=50):
    """Read pretrained GloVe vectors"""
    wordVectors = np.zeros((len(tokens), dimensions))
    with open(filepath) as ifs:
        for line in ifs:
            line = line.strip()
            if not line:
                continue
            row = line.split()
            token = row[0]
            if token not in tokens:
                continue
            data = [float(x) for x in row[1:]]
            if len(data) != dimensions:
                raise RuntimeError("wrong number of dimensions")
            wordVectors[tokens[token]] = np.asarray(data)
    return wordVectors