【NLP】使用Python可視化Word2vec的結果

作者 | Mate Pocs?

編譯 | VK?

來源 | Towards Data Science

Word2vec絕對是我在自然語言處理研究中遇到的最有趣的概念。想象一下，有一種算法可以成功地模擬理解單詞的含義及其在語言中的功能，它可以在不同的主題內(nèi)來衡量單詞之間的接近程度。

我認為可視化地表示word2vec向量會很有趣：本質(zhì)上，我們可以獲取國家或城市的向量，應用主成分分析來減少維度，并將它們放在二維圖表上。然后，我們可以觀察可視化的結果。

在本文中，我們將：

• 從廣義上討論word2vec理論；

• 下載原始的預訓練向量；

• 看看一些有趣的應用程序：比如對一些單詞進行算術運算，比如著名的king-man+woman=queen等式

• 根據(jù)word2vec向量看看我們能多精確地來繪制歐洲的首都。

word2vec的原始研究論文和預訓練模型來自2013年，考慮到NLP文獻的擴展速度，目前它是老技術。較新的方法包括GloVe（更快，可以在較小的語料庫上訓練）和fastText（能夠處理字符級的n-gram）。

Quick Word2Vec簡介

自然語言處理的核心概念之一是如何量化單詞和表達式，以便能夠在模型環(huán)境中使用它們。語言元素到數(shù)值表示的這種映射稱為詞嵌入。

Word2vec是一個詞嵌入過程。這個概念相對簡單：通過一個句子一個句子地在語料庫中循環(huán)去擬合一個模型，根據(jù)預先定義的窗口中的相鄰單詞預測當前單詞。

為此，它使用了一個神經(jīng)網(wǎng)絡，但實際上最后我們并不使用預測的結果。一旦模型被保存，我們只保存隱藏層的權重。在我們將要使用的原始模型中，有300個權重，因此每個單詞都由一個300維向量表示。

請注意，兩個單詞不必彼此接近的地方才被認為是相似的。如果兩個詞從來沒有出現(xiàn)在同一個句子中，但它們通常被相同的包圍，那么可以肯定它們有相似的意思。

word2vec中有兩種建模方法：skip-gram和continuous bag of words，這兩種方法都有各自的優(yōu)點和對某些超參數(shù)的敏感性……但是你知道嗎？我們將不擬合我們自己的模型，所以我不會花時間在它上面。

當然，你得到的詞向量取決于你訓練模型的語料庫。一般來說，你確實需要一個龐大的語料庫，有維基百科上訓練過的版本，或者來自不同來源的新聞文章。我們將要使用的結果是在Google新聞上訓練出來的。

如何下載和安裝

首先，你需要下載預訓練word2vec向量。你可以從各種各樣的模型中進行選擇，這些模型是針對不同類型的文檔進行訓練的。

我用的是最初的模型，在Google新聞上受過訓練，你可以從很多來源下載，只需搜索“Google News vectors negative 300”?；蛘撸?在這里下載：https://github.com/mmihaltz/word2vec-GoogleNews-vectors。

注意，這個文件是1.66gb，但它包含了30億字的300維表示。

當談到在Python中使用word2vec時，再一次，你有很多包可供選擇，我們將使用gensim庫。假設文件保存在word2vec_pretrained文件夾中，可以用Python加載，代碼如下所示：

from?gensim.models.keyedvectors?import?KeyedVectors

word_vectors?=?KeyedVectors.load_word2vec_format(\
????'./word2vec_pretrained/GoogleNews-vectors-negative300.bin.gz',?\
????binary?=?True,?limit?=?1000000)

limit參數(shù)定義了要導入的單詞數(shù)，100萬對于我來說已經(jīng)足夠了。

探索Word2vec

現(xiàn)在我們已經(jīng)有了word2vec向量，我們可以查看它的一些相關有趣的用法。

首先，你可以實際檢查任何單詞的向量表示：

word_vectors['dog']

結果，正如我們預期的，是一個300維的向量，并且這個向量很難解釋。我們通過對這些向量的加和減來計算新向量，然后計算余弦相似度來找到最接近的匹配詞。

你可以使用most_similar函數(shù)找到同義詞，topn參數(shù)定義要列出的單詞數(shù)：

word_vectors.most_similar(positive?=?['nice'],?topn?=?5)

結果

[('good',?0.6836092472076416),
?('lovely',?0.6676311492919922),
?('neat',?0.6616737246513367),
?('fantastic',?0.6569241285324097),
?('wonderful',?0.6561347246170044)]

現(xiàn)在，你可能認為用類似的方法，你也可以找到反義詞，你可能認為只需要把“nice”這個詞作為negative輸入。但結果卻是

[('J.Gordon_###-###',?0.38660115003585815),
?('M.Kenseth_###-###',?0.35581791400909424),
?('D.Earnhardt_Jr._###-###',?0.34227001667022705),
?('G.Biffle_###-###',?0.3420777916908264),
?('HuMax_TAC_TM',?0.3141660690307617)]

這些詞實際上表示離“nice”這個詞最遠的詞。

使用doesnt_match函數(shù)可以找出異常詞：

word_vectors.doesnt_match(
['Hitler',?'Churchill',?'Stalin',?'Beethoven'])

返回Beethoven。我想這很方便。

最后，讓我們看看一些操作的例子，這些操作通過賦予算法一種虛假的智能感而出名。如果我們想合并father和woman這兩個詞的向量，并且減去man這個詞的向量，代碼如下

word_vectors.most_similar(
positive?=?['father',?'woman'],?negative?=?['man'],?topn?=?1)

我們得到：

[('mother',?0.8462507128715515)]

腦子先轉一轉，想象一下我們只有兩個維度：親子關系和性別?！芭恕边@個詞可以用這個向量來表示：[0，1]，“男人”是[0，-1]，“父親”是[1，-1]，“母親”是[1，1]?，F(xiàn)在，如果我們做同樣的運算，我們得到同樣的結果。當然，區(qū)別在于我們有300個維度，而不是示例中僅有的2個維度，維度的含義幾乎無法解釋。

在word2vec操作中，有一個著名的性別偏見例子，“doctor”這個詞的女性版本過去被計算為“nurse”。我試著復制，但沒有得到同樣的結果：

word_vectors.most_similar(
positive?=?['doctor',?'woman'],?negative?=?['man'],?topn?=?1)

[('gynecologist',?0.7093892097473145)]

我們得到了婦科醫(yī)生，所以，我想這可能是進步吧？

好吧，現(xiàn)在我們已經(jīng)檢查了一些基本的函數(shù)，讓我們來研究我們的可視化吧！

Map函數(shù)

首先，我們需要一個Map函數(shù)。假設我們有一個要可視化的字符串列表和一個詞嵌入，我們希望：

1. 找到列表中每個單詞的詞向量表示；

2. 利用主成分分析法將維數(shù)降到2；

3. 創(chuàng)建散點圖，將單詞作為每個數(shù)據(jù)點的標簽；

4. 另外一個額外的好處是，可以從任何維度“旋轉”結果——主成分分析的向量是任意方向的，當我們繪制地理單詞時，我們可能想要改變這個方向，看是否可以與現(xiàn)實世界的方向一致。

我們需要以下庫：

import?matplotlib.pyplot?as?plt
import?seaborn?as?sns
from?sklearn.decomposition?import?PCA

import?adjustText

列表中不常用的一個庫是adjustText，這是一個非常方便的包，它使得在散點圖中編寫圖例變得簡單，而不會重疊。對于我來說，找到這個解決方案非常困難，而且據(jù)我所知，在matplotlib或seaborn中沒有辦法做到這一點。

無需進一步說明，此函數(shù)將完全滿足我們的需要：

def?plot_2d_representation_of_words(
????word_list,?
????word_vectors,?
????flip_x_axis?=?False,
????flip_y_axis?=?False,
????label_x_axis?=?"x",
????label_y_axis?=?"y",?
????label_label?=?"city"):
????
????pca?=?PCA(n_components?=?2)
????
????word_plus_coordinates=[]
????
????for?word?in?word_list:?
????
????????current_row?=?[]
????????current_row.append(word)
????????current_row.extend(word_vectors[word])
????word_plus_coordinates.append(current_row)
????
????word_plus_coordinates?=?pd.DataFrame(word_plus_coordinates)
????????
????coordinates_2d?=?pca.fit_transform(
????????word_plus_coordinates.iloc[:,1:300])
????coordinates_2d?=?pd.DataFrame(
????????coordinates_2d,?columns=[label_x_axis,?label_y_axis])
????coordinates_2d[label_label]?=?word_plus_coordinates.iloc[:,0]
????if?flip_x_axis:
????????coordinates_2d[label_x_axis]?=?\
????????coordinates_2d[label_x_axis]?*?(-1)
????if?flip_y_axis:
????????coordinates_2d[label_y_axis]?=?\
????????coordinates_2d[label_y_axis]?*?(-1)
????????????
????plt.figure(figsize?=?(15,10))
????p1=sns.scatterplot(
????????data=coordinates_2d,?x=label_x_axis,?y=label_y_axis)
????
????x?=?coordinates_2d[label_x_axis]
????y?=?coordinates_2d[label_y_axis]
????label?=?coordinates_2d[label_label]
????
????texts?=?[plt.text(x[i],?y[i],?label[i])?for?i?in?range(len(x))]
????adjustText.adjust_text(texts)

現(xiàn)在是測試函數(shù)的時候了。我畫出了歐洲國家的首都。你可以使用任何列表，例如總統(tǒng)或其他歷史人物的名字，汽車品牌，烹飪原料，搖滾樂隊等等，只要在word_list參數(shù)中傳遞它。很有意思的是看到一堆堆的東西在兩個軸后面形成一個意思。

如果你想重現(xiàn)結果，以下是城市：

capitals?=?[
????'Amsterdam',?'Athens',?'Belgrade',?'Berlin',?'Bern',?
????'Bratislava',?'Brussels',?'Bucharest',?'Budapest',?
????'Chisinau',?'Copenhagen','Dublin',?'Helsinki',?'Kiev',
????'Lisbon',?'Ljubljana',?'London',?'Luxembourg','Madrid',
????'Minsk',?'Monaco',?'Moscow',?'Nicosia',?'Nuuk',?'Oslo',?
????'Paris','Podgorica',?'Prague',?'Reykjavik',?'Riga',?
????'Rome',?'San_Marino',?'Sarajevo','Skopje',?'Sofia',?
????'Stockholm',?'Tallinn',?'Tirana',?'Vaduz',?'Valletta',
????'Vatican',?'Vienna',?'Vilnius',?'Warsaw',?'Zagreb']

假設你仍然有我們在上一節(jié)中創(chuàng)建的word_vectors對象，可以這樣調(diào)用函數(shù)：

plot_2d_representation_of_words(
????word_list?=?capitals,?
????word_vectors?=?word_vectors,?
????flip_y_axis?=?True)

（翻轉y軸是為了創(chuàng)建更像真實貼圖的表示。）

結果是：

我不知道你的感受，當我第一次看到地圖的時候，我真不敢相信結果會有多好！是的，當然，你看得越久，你發(fā)現(xiàn)的“錯誤”就越多，一個不好的結果就是莫斯科離東方的距離并不像它應該的那么遠……盡管如此，東西方幾乎完全分離，斯堪的納維亞和波羅的海國家被很好地組合在一起，意大利周圍的首都也是如此。

需要強調(diào)的是，這絕不是純粹的地理位置，例如，雅典離西方很遠，但這是有原因的。讓我們回顧一下上面的地圖是如何導出的，這樣我們就可以充分理解它了：

• 谷歌的一組研究人員訓練了一個龐大的神經(jīng)網(wǎng)絡，根據(jù)上下文預測單詞；

• 他們將每個單詞的權重保存在一個300維的向量表示中；

• 我們計算歐洲各國首都的向量；

• 利用主成分分析法將維數(shù)降到2；

• 把計算出的成分放在圖表上。

所以，語義的信息不能代表真實地理信息。但我覺得這個嘗試很有趣。

參考引用

• Hobson, L. & Cole, H. & Hannes, H. (2019). Natural Language Processing in Action: Understanding, Analyzing, and Generating Text with Python. Manning Publications, 2019.

• https://en.wikipedia.org/wiki/Word2vec

• https://adjusttext.readthedocs.io/en/latest/

原文鏈接：https://towardsdatascience.com/how-to-draw-a-map-using-python-and-word2vec-e9627b4eae34