如何在 Keras 中训练只有一个嵌入层且没有标签的模型

Question

我有一些没有任何标签的文本。只是一堆文本文件。我想训练一个嵌入层来将单词映射到嵌入向量。到目前为止我看到的大多数例子都是这样的：

from keras.models import Sequential
from keras.layers import Embedding, Flatten, Dense

model = Sequential()
model.add(Embedding(max_words, embedding_dim, input_length=maxlen))
model.add(Flatten())
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()
model.compile(optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['acc'])
model.fit(x_train, y_train,
    epochs=10,
    batch_size=32,
    validation_data=(x_val, y_val))

他们都假设嵌入层是试图预测标签的更大模型的一部分。但就我而言，我没有标签。我不想对任何东西进行分类。我只想训练从单词（更准确地说是整数）到嵌入向量的映射。但是模型的fit 方法要求x_train 和y_train（如上面给出的示例）。

如何训练一个只有嵌入层而没有标签的模型？

[更新]

根据我从@Daniel Möller 得到的答案，Keras 中的嵌入层正在实施一种监督算法，因此无法在没有标签的情况下进行训练。最初，我认为它是 Word2Vec 的变体，因此不需要训练标签。显然，事实并非如此。就个人而言，我最终使用了与 Keras 或 Python 无关的 FastText。

Answer 1

在没有标签/目标的情况下这样做有意义吗？

如果没有目标，您的模型将如何确定向量中的哪些值适用于任何事情？

所有嵌入都是为了某个目的而“训练”的。没有目的就没有目标，没有目标就没有训练。

如果您真的想在没有任何目的/目标的情况下转换向量中的单词，您有两个选择：

• 制作 one-hot 编码向量。您可以为此使用 Keras to_categorical 函数。
• 使用预训练嵌入。有一些可用的，例如 glove、来自 Google 的嵌入等。（所有这些都在某个时候出于某种目的而接受过训练）。

---

基于我们聊天的非常幼稚的方法，考虑到单词距离

警告：我对 Word2Vec 一无所知，但我将尝试展示如何使用一些简单的词距离添加嵌入规则，以及如何使用虚拟“标签”来满足 Keras'训练方式。

from keras.layers import Input, Embedding, Subtract, Lambda
import keras.backend as K
from keras.models import Model

input1 = Input((1,)) #word1
input2 = Input((1,)) #word2

embeddingLayer = Embedding(...params...)

word1 = embeddingLayer(input1)
word2 = embeddingLayer(input2)

#naive distance rule, subtract, expect zero difference
word_distance = Subtract()([word1,word2])

#reduce all dimensions to a single dimension
word_distance = Lambda(lambda x: K.mean(x, axis=-1))(word_distance)

model = Model([input1,input2], word_distance)

既然我们的模型直接输出一个单词距离，我们的标签将是“零”，它们并不是监督训练的真正标签，但它们是模型的预期结果，这是 Keras 工作所必需的。

例如，我们可以将mae（平均绝对误差）或mse（均方误差）作为损失函数。

model.compile(optimizer='adam', loss='mse')

并且用 word2 作为 word1 之后的词进行训练：

xTrain = entireText
xTrain1 = entireText[:-1]
xTrain2 = entireText[1:]
yTrain = np.zeros((len(xTrain1),))

model.fit([xTrain1,xTrain2], yTrain, .... more params.... ) 

虽然这对于 Word2Vec 的真正作用可能是完全错误的，但它显示了以下要点：

• 嵌入层没有特殊属性，它们只是可训练的查找表
• 创建嵌入的规则应由模型和预期输出定义
• Keras 模型需要“目标”，即使这些目标不是“标签”而是预期结果的数学技巧。