Keras Word2Vec 实现答案

【问题标题】：Keras Word2Vec implementationKeras Word2Vec 实现
【发布时间】：2018-12-04 23:49:48
【问题描述】：

我正在使用http://adventuresinmachinelearning.com/word2vec-keras-tutorial/ 中的实现来学习有关 word2Vec 的一些知识。我不明白的是为什么损失函数没有减少？

Iteration 119200, loss=0.7305528521537781
Iteration 119300, loss=0.6254740953445435
Iteration 119400, loss=0.8255964517593384
Iteration 119500, loss=0.7267132997512817
Iteration 119600, loss=0.7213149666786194
Iteration 119700, loss=0.6156617999076843
Iteration 119800, loss=0.11473365128040314
Iteration 119900, loss=0.6617216467857361

据我了解，网是此任务中使用的标准网：

input_target = Input((1,))
input_context = Input((1,))

embedding = Embedding(vocab_size, vector_dim, input_length=1, name='embedding')

target = embedding(input_target)
target = Reshape((vector_dim, 1))(target)
context = embedding(input_context)
context = Reshape((vector_dim, 1))(context)

dot_product = Dot(axes=1)([target, context])
dot_product = Reshape((1,))(dot_product)
output = Dense(1, activation='sigmoid')(dot_product)

model = Model(inputs=[input_target, input_context], outputs=output)
model.compile(loss='binary_crossentropy', optimizer='rmsprop') #adam??

单词来自http://mattmahoney.net/dc/text8.zip（英文文本）的大小为 10000 的词汇表

我注意到，有些词在一定程度上是及时学习的，比如数字和文章的上下文很容易猜到，但损失从一开始就一直停留在 0.7 左右，并且随着迭代的进行，它只会随机波动。

训练部分是这样制作的（由于没有标准拟合方法，我觉得很奇怪）

arr_1 = np.zeros((1,))
arr_2 = np.zeros((1,))
arr_3 = np.zeros((1,))
for cnt in range(epochs):
    idx = np.random.randint(0, len(labels)-1)
    arr_1[0,] = word_target[idx]
    arr_2[0,] = word_context[idx]
    arr_3[0,] = labels[idx]
    loss = model.train_on_batch([arr_1, arr_2], arr_3)
    if cnt % 100 == 0:
        print("Iteration {}, loss={}".format(cnt, loss))

我是否遗漏了有关此类网络的重要信息？没写出来的实现和上面的链接一模一样

【问题讨论】：

标签： python keras word2vec

【解决方案1】：

我遵循相同的教程，算法再次通过样本后损失下降。请注意，损失函数仅针对当前目标和上下文词对计算。在本教程的代码示例中，一个 epoch 只是一个示例，因此您需要超过目标词和上下文词的数量才能达到损失下降的点。

我用下面这行代码实现了训练部分

model.fit([word_target, word_context], labels, epochs=5)

请注意，这可能需要很长时间，具体取决于语料库的大小。 train_on_batch 函数使您可以更好地控制训练，并且您可以在训练的每一步改变批量大小或选择您选择的样本。

【讨论】：