基于CBOW网络手动实现面向中文语料的word2vec

最近在工作之余学习NLP相关的知识，对word2vec的原理进行了研究。在本篇文章中，尝试使用TensorFlow自行构建、训练出一个word2vec模型，以强化学习效果，加深理解。

一.背景知识：

在深度学习实践中，传统的词汇表达方式是使用one-hot向量，其中，向量的维度等于词汇量的大小。这会导致在语料较为丰富，词汇量较大的时候，向量的维度过长，进而产生一个相当大的稀疏矩阵，占用不少内存开销，降低机器运行速度。而word2vec则为这个问题提供了一种解决方案。

word2vec是一个用来产生词向量的相关模型，使用固定长度(长度较短)的词向量来代替one-hot向量，从而降低深度学习网络中的运算复杂度。其基本思想是使用skip-gram网络/cbow网络来对语料进行训练，留下其中间过程所生成的权重矩阵作为词向量表。这个词向量表是一个[词汇量大小*词向量维度]的矩阵，在使用时，可以使用one-hot向量和词向量表做矩阵乘法，提取出对应词汇的词向量以供后续使用。

除了降低词向量的维度之外，word2vec可以使两个含义相近的词语用于更为接近的词向量(即两个词向量之间的欧式距离更接近)。因此在搭建语言模型时拥有更强大的逻辑相关性。

现在已经有一个较为方便的word2vec模块(由Google开发)供大家使用，可以通过 pip install word2vec 指令来对其进行安装使用。为加深理解，强化学习效果，这里我们不使用该模块，尝试自己搭建预训练网络来生成word2vec词向量表。

二.建模思路：

这次的建模、训练流程如下图所示，大致分为语料预处理，网络搭建，训练存储三个阶段。

由于这次是对中文语料进行处理，因此预处理过程中较为复杂，相比处理英文语料多一个分词的步骤。此外，也没有查找到资料详细的解释word2vec是否需要对所有词汇进行训练，因此这里在预处理步骤中加入了词频统计，仅提取出10000个出现频率最高的词语作为常用词汇进行建模训练。

三.语料预处理：

这里我们使用的是搜狐新闻语料库(1.5GB)来作为我们的数据源。下载地址为：http://www.sogou.com/labs/resource/cs.php

首先我们要进行语料的预处理工作。搜狐新闻语料库是一个结构化的语料数据文件，其中，新闻标题位于标签<content-title></content-title>中，新闻内容位于标签<content></content>中。第一步就是要将新闻内容从标签中提取出来。

3.1 乱码问题

在提取新闻内容时，遇到了一个比较棘手的编码问题。在这个数据文件中，大部分的新闻内容是使用GBK方式进行编码的，而其中又夹杂着某些字符使用了其他编码格式，包括Unicode，ISO-8859-1等等。为解决这个问题，这里引入datadec模块来判断字符的编码格式。最初的想法是使用datadec来判断每一个字符，使用判断出的格式来对其进行解码。但实际问题是各种编码格式所占字节数长度并不一致，如GBK是双字节编码，而UTF-8则是可变长字符编码，从1-6字节不等，如果每次读取一个固定长度来datadec其编码类型，往往会判断出错。因此，在语料预处理中，读取文件的每一行，使用datadec.detect()函数来判断该行文件的编码格式，之后用对应的格式进行解码。其中遇到串码问题无法正确解析的，在decode()函数中使用errors=’ignore’参数来对该问题进行忽略，保证程序的正常运行。但最终生成的文件还是会有部分乱码，后期会使用词频统计的方式尽量将其过滤。

解决乱码问题的关键代码如下(注意读文件时要使用二进制方式读取，即’rb’)：

 pure_file = open(path[:-4]+"_pure.txt",'w',encoding='utf-8')
 with codecs.open(path,'rb') as f_corp:
    # TODO 去除杂质编码
     count = 0    # 记录总共处理了多少行新闻文件
     count1 = 0   # 记录通过非GBK编码处理了多少行新闻文件
     lines = f_corp.readlines()
     for word in lines:
         try:
             count += 1
             # 此处不设置 errors='ignore' 参数，尝试使用GBK解码，遇到解析问题时跳入except处理流程。
             word_out = word.decode('gbk')
             pure_file.write(word_out)
         except:
             count1 += 1
             code_name = chardet.detect(word)
             if code_name['confidence']>0.90:
                 word_out = word.decode(code_name['encoding'],errors='ignore')
                 pure_file.write(word_out)
             else:
                 continue
 pure_file.close()

在解决完乱码问题之后，我们通过匹配<content>标签来提取所需要的新闻内容，使用逻辑判断的方式。

 content_file = open(path[:-4]+"_content.txt",'w',encoding='utf-8')
 with open(path,'r',encoding='utf-8') as f_corp:
     content_lines = f_corp.readlines()
     for item in content_lines:
         if item[:9]=='<content>' and len(item)>20:     # 需判断长度，防止有<content></content> 的情形出现
             content_file.write(item[9:-11]+'\n')
 content_file.close()

最终获得纯净的新闻内容供后续使用，类似下图所示(可以看出仍有部分乱码，后期会通过词频统计进行处理)。

3.2 分词与词频统计

拿到纯净的新闻内容后，就可以进行分词与词频统计工作。这里使用jieba分词器来完成我们的分词工作。jieba分词器是一个轻量级的中文分词模块，可以使用pip install jieba指令来进行安装。注意，由于jieba是第三方python模块，因此不能够使用conda来进行安装。

考虑到后面制作训练样本时，各类词语容易与标点形成训练样本，影响训练效果。在分词之前，首先借助unicodedata模块中的category函数来去除新闻中的标点符号。

 for ss in c_lines:
     sentences = ''.join(ch for ch in ss if category(ch)[0]!='P')

对每一行新闻通过上述语句进行扫描，排除掉其中的标点符号。

之后使用jieba分词器来对语句进行切分，并存入语料文件。

 words = jieba.cut(sentences,cut_all=False)
 words = ' '.join(words)  # 使用 空格 将每一个词汇隔开 此时是str类型变量。
 array_c.append(words[:-1])   # 去除句末的 '\n'

切分后语料如下：

可以看出，在文本中仍然存在有些许乱码，这多少为后续的准确训练埋下隐患，但由各种乱码常常是孤立字符，可以通过统计常用词的方式将其进行排除。

为完成词频统计工作，我们建立两个list，array_di(记录已统计的词汇)以及array_dn(记录array_di中各对应位置词汇的出现次数)。代码逻辑大致如下：挨个扫描新闻中词汇，若该词语已在存在于array_di中，则array_dn的对应位置+1；若该词汇从未出现过，则将其添加在array_di的末尾，同时array_dn的末尾添加一个1，表示这个词汇出现了一次。

在分词与词频统计的过程中，会出现程序运行缓慢，CPU使用率较低的情况，可以使用多进程的方法分派工作，待所有子进程完工之后，再进行拼接。具体方法在我的上一篇学习笔记中有描述。(学习笔记-使用多进程、多线程加速文本内容预处理)

截取常用词的工作可以使用numpy模块的argsort()函数来对array_dn进行逆序排序，截取数值最大的10000个值所在的索引，提取出对应索引在array_di中的词汇做成字典，保存在json文件内。

 dict_list_index_last = np.array(array_dn)
 word_frequent_list = np.argsort(-dict_list_index_last)    # 降序排序，并获取其排序的索引顺序
 d_out = dict()            # TODO 最终常用词词典列表
 count = 0
 for index in word_frequent_list[:10000]:    # 提取10000个常用词汇
     d_out[array_di[index]] = count
     count += 1
 with open(pured_file[:-4]+'_dict.json','w',encoding='utf-8') as f_dict:
     json.dump(d_out, f_dict)

最终生成的.json文件如下：

其中，key为词汇的utf-8编码，value值为其对应的位置，取值从0~9999。为后续构建初始one-hot vector作好了准备。

四.网络搭建：

4.1 模型结构设计

数据预处理工作完成以后，可以开展网络结构的设计。有两种网络模型可以用来进行word2vec的训练，分别是CBOW(Continuous Bag-of-Words Model)和skip-Gram(Continuous Skip-gram Model)。这两个网络的区别主要在于训练样本的构造。

CBOW构造一个训练样本时，样本的输入为当前词汇的前n个词和后n个词，其中n表示窗口长度。例如对于句子[寒冷的 冬天 我 爱 在 学校 里 跑步]，当窗口长度为2的时候，这个句子可以分解为4个训练样本，即[[寒冷的,冬天,爱,在],[我]]，[[冬天,我,在,学校],[爱]]，[[我,爱,学校,里],[在]]，[[爱,在,里,跑步],[学校]]。其中每一个样本的前半部分为输入，后半部分为其对应的输出。

而使用skip-Gram来构造训练样本时，同样取向前n个词和向后n个词作为窗口。但输入与输出的维度是相等的，即训练样本以词对的形式来展现。同样对于[寒冷的 冬天 我 爱 在 学校 里 跑步]这个句子，窗口长度n=2。

输出词汇为[寒冷的]时，有[[寒冷的],[冬天]]，[[寒冷的],[我]]两个样本，

输入词汇为[冬天]时，有[[冬天],[寒冷的]]，[[冬天],[我]]，[[冬天],[爱]]三个样本，

输入词汇为[我]时，有[[我], [寒冷的]]，[[我], [冬天]]，[[我],[爱]]，[[我],[在]]这四个样本。

以此类推，这句话一共可以生成2+3+4+4+4+4+3+2=26个样本。相对于CBOW网络来说训练内容要丰富一些。

考虑到训练量过大会比较考验机器性能，这里选择使用CBOW网络来完成word2vec的训练。

现在开始考虑网络的维度结构，因为选择的是CBOW网络，所以说初始的输入是2*n个词汇(n表示窗口长度)，即2*n个one-hot vector，叠加成的矩阵，由于预处理中截取的词汇量为10000，所以输入矩阵的维度为[2n*10000]；同样的，由于输出仅仅只有一个词汇，所以样本的输出是一个维度为[1*10000]的one-hot vector。这里假设目标词向量的维度为300，因此词向量表的维度为[10000*300]。输入矩阵和词向量表经过矩阵乘法相乘，可以得到一个维度为[2n*300]的矩阵，即2n个词汇经过降维所得到的较短的词向量。为了使其可以正确的和样本输出计算进行对应，需将其正确的映射到[1*10000]的维度。这里使用[1*2n]×[2n*300]×[300*10000]的方法，将其转换为[1*10000]的向量，经过softmax激活函数计算，可以同样本输出计算出loss值，并根据loss使用随机梯度下降法来对网络进行训练。

网络的模型维度设计示意图如下：

如图所示，搭建此次网络模型需要初始化tar_weight，front_weight，back_weight三个权重矩阵。

根据上面设计的网络维度结果，开始构建CBOW网络类：

 import numpy as np
 import tensorflow as tf

 class CBOW_Cell(object):
     def __init__(self, window_length=5, word_dim=300):
         with tf.variable_scope("matrix_scope") as matrix_scope:
             self.tar_weight = tf.get_variable(name='tar_weight',shape=[10000,word_dim],\
                 initializer=tf.truncated_normal_initializer(stddev=0.1),dtype=tf.float32)
             self.front_weight = tf.get_variable(name='front_weight',shape=[1,2*window_length],\
                 initializer=tf.truncated_normal_initializer(stddev=0.1),dtype=tf.float32)
             self.back_weight = tf.get_variable(name='back_weight',shape=[word_dim,10000],\
                 initializer=tf.truncated_normal_initializer(stddev=0.1),dtype=tf.float32)
             matrix_scope.reuse_variables()
         # 上方为tar_weight,front_weight,back_weight 三个权重矩阵的维度设置及初始化。
         # 下方为偏移量权重的设置 及 变量保存。
         self.bias = tf.Variable(tf.zeros([1,10000])) # 偏移量，用于加到softmax前的输出上
         self.word_dim = word_dim   # 词向量维度
         self.window_length = window_length
         # 下方为占位符，规定好输入、输出的shape
         self.sample_in = tf.placeholder(tf.float32, [2*window_length, 10000],name='sample_in')
         self.sample_out = tf.placeholder(tf.float32, [1, 10000],name='sample_out')

除了上面提到的3个权重矩阵需要使用tf.get_variable()进行初始化，还额外的需要两个占位符sample_in，sample_out来表示训练样本输入及训练样本输出。

下一步来设计前向传播函数以及损失函数：

     def forward_prop(self,s_input):
         step_one = tf.matmul(s_input,self.tar_weight)
         out_vector = tf.matmul(tf.matmul(self.front_weight,step_one),self.back_weight)+self.bias
         return out_vector

     def loss_func(self,lr=0.001):
         out_vector = self.forward_prop(self.sample_in)
         y_pre = tf.nn.softmax(out_vector,name='y_pre')
         cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(labels=self.sample_out,logits=y_pre)
         train_op = tf.train.GradientDescentOptimizer(lr).minimize(cross_entropy)
         return y_pre,cross_entropy,train_op

前向传播函数forward_prop()使用占位符sample_in来计算出维度为[1,10000]的输出向量。而损失函数loss_func()通过softmax来计算出前向预测结果y_pre，并通过交叉熵函数计算出损失值，train_op是定义了随机梯度下降的权重优化计算图。在后续的程序中，我们可以通过train_op来对权重进行优化。

4.2 制作训练样本

在前面分词工作结束之后，我们获得了类似[寒冷的 冬天 我 爱 在 学校 里 跑步]的语料样本。这里要根据这个语料样本，以及窗口大小n，来制作输入维度为[2n*10000]，输出维度为[1*10000]的训练样本。

制作训练样本分为如下几步：①对于一条新闻来说，首先就是要确定句子的长度，如果句子包含的词语数≤2*n时，该语句无法拼接成样本，直接将其进行弃置。②对于长度充足的句子，我们取一个长度为2n+1的滑动窗口，前n个词和后n个词做成维度为[1*10000]的one-hot vector，叠加成为[2n*10000]的输入矩阵，中间词汇做成[1*10000]的one-hot vector作为样本输出。将输入和输出组成对进行输出。③为了使样本更多一些，对于一个句子开头和结束的几个词语，在目标词汇前方/后方的词语数目小于窗口长度时，顺着后方/前方窗口额外取数个词语使输入词语数目达到2n，再组成[2n*10000]的输入矩阵，将目标词汇做成one-hot vector向量作为样本输出。（第③步的样本制作方法的目标是增加训练样本数目，但该方法是否科学合理仍有待论证）

为此，编写样本制作函数如下：

 def make_samples(crop_lines_all,index_to_word,word_to_index,window_len,i):   #参数中的i指第几轮语料
     # 一次处理5行语料防止内存溢出
     crop_lines = crop_lines_all[i*5:(i+1)*5]
     sample_in_list = []     # 输入样本list
     sample_out_list = []    # 输出样本list
     for line in crop_lines:
         line_list = line.split(' ')
         line_list = [word for word in line_list if word in index_to_word]
         if len(line_list)<window_len*2+1:     # 如果语句词汇过少，则抛弃这条语句
             continue
         else:
             # 词语大于双倍窗口的情况下，可以开始拼接样本
             for i2 in range(len(line_list)):
                 # 句子开头几个词语，前侧的词语数量不够window_len，则后侧多取一些词语攒齐2*window_len的长度
                 if i2<window_len+1:
                     temp_line_list = line_list[:i2]+line_list[i2+1:2*window_len+1]
                     sample_in_list.append(input_matrix_calc(word_to_index,temp_line_list))
                     temp_out_sample = np.zeros(10000)
                     temp_out_sample[word_to_index[line_list[i2]]] = 1.0
                     sample_out_list.append(temp_out_sample)
                 # 句子末尾几个词语，后侧的词语数量不够window_len，则前侧多取一些词语攒齐2*window_len的长度
                 elif i2>=len(line_list)-window_len:
                     temp_line_list = line_list[len(line_list)-2*window_len-1:i2]+line_list[i2+1:]
                     sample_in_list.append(input_matrix_calc(word_to_index,temp_line_list))
                     temp_out_sample = np.zeros(10000)
                     temp_out_sample[word_to_index[line_list[i2]]] = 1.0
                     sample_out_list.append(temp_out_sample)
                 # 处于中间阶段，前窗口和后窗口都不越界
                 else:
                     temp_line_list = line_list[i2-window_len:i2]+line_list[i2+1:i2+1+window_len]
                     sample_in_list.append(input_matrix_calc(word_to_index,temp_line_list))
                     temp_out_sample = np.zeros(10000)
                     temp_out_sample[word_to_index[line_list[i2]]] = 1.0
                     sample_out_list.append(temp_out_sample)
     return np.array(sample_in_list),np.array(sample_out_list)

参数列中的i是用于分批制作样本的参数，每次处理5行语料，来防止内存溢出，因为一个样本对应了一个巨大的稀疏矩阵，因此每次少处理一些语料比较保险。

五.训练存储：

由于需要TensorFlow的Session中完成训练的步骤，因此训练及存储的工作需要在CBOW网络类中实现。编辑功能函数train_model如下：

 def train_model(self, savepath,crop_lines_all,index_to_word,word_to_index,epochs=1000,lr=0.001):
         y_pre,cross_entropy,train_op = self.loss_func(lr)  # TODO TODO TODO  这句话千万不能放到循环里面，会重复绘制计算图！！！运行很慢！！
         with tf.Session() as sess:
             sess.run(tf.global_variables_initializer())
             for data_num in range(int(len(crop_lines_all)/5)):
                 pass # 生成 in_list out_list
                 in_list,out_list = make_samples(crop_lines_all,index_to_word,\
                     word_to_index,self.window_length,data_num)   #一次20个行的处理语料样本
                 out_list = out_list.reshape(len(in_list),1,10000)
                 if (data_num)%50==0:
                     print('样本已处理',data_num*5,'/',len(crop_lines_all),'行。 ',datetime.datetime.now().strftime('%H:%M:%S.%f'))
                 for i in range(epochs):
                     for j in range(len(in_list)):
                         sess.run(train_op, feed_dict={self.sample_in:in_list[j], \
                             self.sample_out:out_list[j]})
         #下面为存储模型的代码
             tar_weight=self.tar_weight.eval()   # 这个就是词向量表[10000*词向量维度]，是word2vec的最终目标
             front_weight=self.front_weight.eval()
             back_weight=self.back_weight.eval()
             bias=self.bias.eval()
             word_dim=self.word_dim
             window_length=self.window_length
             np.savez(savepath,tar_weight=tar_weight,front_weight=front_weight,\
                 back_weight=back_weight,bias=bias,word_dim=word_dim,window_length=window_length)
             print('model saved in:',savepath)

在该函数中，首先获取损失函数所返回的三个计算图：y_pre，cross_entropy，train_op。之后建立Session，初始化权重矩阵，通过制作训练样本的函数获取训练样本列表，对于每个样本分别使用train_op进行训练，优化权重矩阵。经过了数轮训练，将权重矩阵及CBOW网络类的参数存入.npz文件，这个文件以字典形式保存权重矩阵，其中tar_weight是我们最终目标的词向量表。

六.实践与结果验证：

6.1 词向量表调用：

使用np.load()函数便可以加载.npz文件，并获取词向量表tar_weight。

param_dict = np.load(filepath)
tar_weight = param_dict['tar_weight']

我们也可以通过np.linalg.norm()函数来计算两个词向量之间的欧氏距离，通过下面数个词汇来观察词向量距离变化。

dist = np.linalg.norm(w2v[word_to_index['车辆']] - w2v[word_to_index['车子']])
print('\"车辆\" 与 \"车子\" 之间的欧式距离为：',dist,'!!')
dist = np.linalg.norm(w2v[word_to_index['机械']] - w2v[word_to_index['工业化']])
print('\"机械\" 与 \"工业化\" 之间的欧式距离为：',dist,'!!')
dist = np.linalg.norm(w2v[word_to_index['车辆']] - w2v[word_to_index['茶叶']])
print('\"车辆\" 与 \"茶叶\" 之间的欧式距离为：',dist,'!!')
dist = np.linalg.norm(w2v[word_to_index['粮食']] - w2v[word_to_index['手表']])
print('\"粮食\" 与 \"手表\" 之间的欧式距离为：',dist,'!!')

6.2 效果呈现：

最初，经过4000条新闻的训练，词汇之间的关系还比较散乱，词语之间的关系随机性较为明显（下图左）。后经过10万条新闻的训练(花了大约24小时….)，随着网络内部参数的调整，[车辆，车子]，[机械，工业化]这些意义接近的词组之间的欧式距离变小，而[车辆，茶叶][粮食，手表]这些意义较远的词汇欧氏距离变大（下图右）。

          

但是训练的速度还是较慢，与谷歌提供的word2vec模块依然有较大差距。

七.后记：

这次自己手动实现word2vec，主要是为了巩固前期的学习成果，在实践的过程中仍然发现了不少待探究的细节。

第一个处理不到位的地方就是对不常用的词的处理方法。本次实践中，我们将其做了删除操作，将非常用词排除在样本制作之外。这样做有可能会丢失部分信息。一种处理了思路是使用unknown标签来将不常用的词进行概括，作为词汇表的一部分。

还有一个疑问就是对于标点符号的处理是否妥当。本次实践中，我们将语料中的标点进行了删除，之后再进行分词操作，主要目的是提高处理效率，但标点符号对语句结构的影响会被忽略。

当然，这次我所构架的仅仅是一个简单的结构，还有部分优化策略没有使用，导致训练速度特别的慢。一方面原因是负采样策略的缺失。如果使用采样数为5的负采样策略的话，每一次随机梯度下降过程将会只调整6个(5个负样本和一个正样本)权重值，计算量仅相当于现有情况的万分之六，训练速度也会飞速提升。（直至网络搭建完成之后，经查阅手册才发现有个tf.nn. nce-loss()函数可以实现负采样功能，后期需要继续对其进行深入学习研究。）

另一个待优化的区域是训练样本制作方面，本次实践所采用的训练样本制作方法仍较为笨拙。（该网络搭建完成后，查阅有关资料，发现tf.nn.embedding_lookup()函数可以进行查表操作，因此省去第一步one-hot向量的制作。）我在本机使用Google开发的word2vec模块，可以在几分钟之内将30多万行经过分词的语料训练完毕，而我这个手撸的CBOW网络模型训练10万行语句就消耗了24小时，其中大部分时间都消耗在了样本制作上。后续可参考word2vec的源码继续深入学习研究。

参考资料：

https://mp.weixin.qq.com/s/u2IumPRlzr4uHStrWXM87A

http://www.dataguru.cn/article-13488-1.html