【问题标题】:Word2vec gensim - Calculating similarity between word isn't working when using phrasesWord2vec gensim - 使用短语时计算单词之间的相似度不起作用
【发布时间】:2017-06-29 17:25:57
【问题描述】:

使用gensim word2vec 模型来计算两个词之间的相似度。用 250mb 的维基百科文本训练模型得到了很好的结果——相关词对的相似度得分约为 0.7-0.8。

问题是,当我使用Phraser 模型将短语相加时,相同单词的相似度得分几乎为零。

短语模型的结果:

speed - velocity - 0.0203503432178
high - low - -0.0435703782446
tall - high - -0.0076987978333
nice - good - 0.0368784716958
computer - computational - 0.00487748035808

这可能意味着我没有正确使用 Phraser 模型。

我的代码:

    data_set_location = **
    sentences = SentenceIterator(data_set_location)

    # Train phrase locator model
    self.phraser = Phraser(Phrases(sentences))

    # Renewing the iterator because its empty
    sentences = SentenceIterator(data_set_location)

    # Train word to vector model or load it from disk
    self.model = Word2Vec(self.phraser[sentences], size=256, min_count=10, workers=10)



class SentenceIterator(object):
    def __init__(self, dirname):
        self.dirname = dirname

    def __iter__(self):
        for fname in os.listdir(self.dirname):
            for line in open(os.path.join(self.dirname, fname), 'r', encoding='utf-8', errors='ignore'):
                yield line.lower().split()

单独尝试分析器模型看起来效果很好:

>>>vectorizer.phraser['new', 'york', 'city', 'the', 'san', 'francisco'] ['new_york', 'city', 'the', 'san_francisco']

什么会导致这种行为?

试图找出解决方案:

根据 gojomo 的回答,我尝试创建一个PhraserIterator

import os

class PhraseIterator(object):
def __init__(self, dirname, phraser):
    self.dirname = dirname
    self.phraser = phraser

def __iter__(self):
    for fname in os.listdir(self.dirname):
        for line in open(os.path.join(self.dirname, fname), 'r', encoding='utf-8', errors='ignore'):
            yield self.phraser[line.lower()]

我尝试使用这个迭代器训练我的 Word2vec 模型。

phrase_iterator = PhraseIterator(text_dir, self.phraser)
self.model = Word2Vec(phrase_iterator, size=256, min_count=10, workers=10

Word2vec 训练日志:

    Using TensorFlow backend.
2017-06-30 19:19:05,388 : INFO : collecting all words and their counts
2017-06-30 19:19:05,456 : INFO : PROGRESS: at sentence #0, processed 0 words and 0 word types
2017-06-30 19:20:30,787 : INFO : collected 6227763 word types from a corpus of 28508701 words (unigram + bigrams) and 84 sentences
2017-06-30 19:20:30,793 : INFO : using 6227763 counts as vocab in Phrases<0 vocab, min_count=5, threshold=10.0, max_vocab_size=40000000>
2017-06-30 19:20:30,793 : INFO : source_vocab length 6227763
2017-06-30 19:21:46,573 : INFO : Phraser added 50000 phrasegrams
2017-06-30 19:22:22,015 : INFO : Phraser built with 70065 70065 phrasegrams
2017-06-30 19:22:23,089 : INFO : saving Phraser object under **/Models/word2vec/phrases_model, separately None
2017-06-30 19:22:23,441 : INFO : saved **/Models/word2vec/phrases_model
2017-06-30 19:22:23,442 : INFO : collecting all words and their counts
2017-06-30 19:22:29,347 : INFO : PROGRESS: at sentence #0, processed 0 words, keeping 0 word types
2017-06-30 19:33:06,667 : INFO : collected 143 word types from a corpus of 163438509 raw words and 84 sentences
2017-06-30 19:33:06,677 : INFO : Loading a fresh vocabulary
2017-06-30 19:33:06,678 : INFO : min_count=10 retains 95 unique words (66% of original 143, drops 48)
2017-06-30 19:33:06,679 : INFO : min_count=10 leaves 163438412 word corpus (99% of original 163438509, drops 97)
2017-06-30 19:33:06,683 : INFO : deleting the raw counts dictionary of 143 items
2017-06-30 19:33:06,683 : INFO : sample=0.001 downsamples 27 most-common words
2017-06-30 19:33:06,683 : INFO : downsampling leaves estimated 30341972 word corpus (18.6% of prior 163438412)
2017-06-30 19:33:06,684 : INFO : estimated required memory for 95 words and 256 dimensions: 242060 bytes
2017-06-30 19:33:06,685 : INFO : resetting layer weights
2017-06-30 19:33:06,724 : INFO : training model with 10 workers on 95 vocabulary and 256 features, using sg=0 hs=0 sample=0.001 negative=5 window=5
2017-06-30 19:33:14,974 : INFO : PROGRESS: at 0.00% examples, 0 words/s, in_qsize 0, out_qsize 0
2017-06-30 19:33:23,229 : INFO : PROGRESS: at 0.24% examples, 607 words/s, in_qsize 0, out_qsize 0
2017-06-30 19:33:31,445 : INFO : PROGRESS: at 0.48% examples, 810 words/s, 
...
2017-06-30 20:19:00,864 : INFO : PROGRESS: at 98.57% examples, 1436 words/s, in_qsize 0, out_qsize 1
2017-06-30 20:19:06,193 : INFO : PROGRESS: at 99.05% examples, 1437 words/s, in_qsize 0, out_qsize 0
2017-06-30 20:19:11,886 : INFO : PROGRESS: at 99.29% examples, 1437 words/s, in_qsize 0, out_qsize 0
2017-06-30 20:19:17,648 : INFO : PROGRESS: at 99.52% examples, 1438 words/s, in_qsize 0, out_qsize 0
2017-06-30 20:19:22,870 : INFO : worker thread finished; awaiting finish of 9 more threads
2017-06-30 20:19:22,908 : INFO : worker thread finished; awaiting finish of 8 more threads
2017-06-30 20:19:22,947 : INFO : worker thread finished; awaiting finish of 7 more threads
2017-06-30 20:19:22,947 : INFO : PROGRESS: at 99.76% examples, 1439 words/s, in_qsize 0, out_qsize 8
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 6 more threads
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 5 more threads
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 4 more threads
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 3 more threads
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 2 more threads
2017-06-30 20:19:22,948 : INFO : worker thread finished; awaiting finish of 1 more threads
2017-06-30 20:19:22,949 : INFO : worker thread finished; awaiting finish of 0 more threads
2017-06-30 20:19:22,949 : INFO : training on 817192545 raw words (4004752 effective words) took 2776.2s, 1443 effective words/s
2017-06-30 20:19:22,950 : INFO : saving Word2Vec object under **/Models/word2vec/word2vec_model, separately None
2017-06-30 20:19:22,951 : INFO : not storing attribute syn0norm
2017-06-30 20:19:22,951 : INFO : not storing attribute cum_table
2017-06-30 20:19:22,958 : INFO : saved **/Models/word2vec/word2vec_model

经过这次训练 - 两个相似度计算中的任何一个都产生零:

speed - velocity - 0
high - low - 0

看来迭代器工作不正常,所以我使用 gojomo 技巧检查了它:

print(sum(1 for _ in s))
1

print(sum(1 for _ in s))
1

及其工作。

可能是什么问题?

【问题讨论】:

    标签: python deep-learning gensim word2vec phrases


    【解决方案1】:

    首先,如果您的可迭代类工作正常——而且在我看来没问题——你就不需要“更新迭代器,因为它是空的”。相反,它将能够被迭代多次。您可以使用如下代码测试它是否作为可迭代对象而不是单次迭代正常工作:

    sentences = SentencesIterator(mypath)
    print(sum(1 for _ in sentences))
    print(sum(1 for _ in sentences))
    

    如果相同的长度打印两次,恭喜,你有一个真正的可迭代对象。 (您可能需要更新类名以反映这一点。)如果第二个长度是0,那么您只有一个迭代器:它可以被使用一次,然后在后续尝试中为空。 (如果是这样,请调整类代码,以便对__iter__() 的每次调用都重新开始。但如上所述,我认为您的代码已经正确。)

    题外话很重要,因为你的问题的真正原因是self.phraser[sentences] 只是返回一个一次性迭代器对象,不是一个可重复的可迭代对象。因此,Word2Vec 的第一个词汇发现步骤在其一遍中消耗了整个语料库,然后所有训练遍都看不到任何东西——并且没有进行任何训练。 (如果您有 INFO 级别的登录,这在输出中应该很明显,显示没有示例的即时训练。)

    尝试创建一个PhraserIterable 类,该类接受一个phraser 和一个sentences,并且在每次调用__iter__() 时都会开始一个新的、全新的对setences 的传递。提供一个(确认重启)实例作为 Word2Vec 的语料库。您应该会看到训练需要更长的时间,因为它默认的 5 次通过 - 然后在以后的令牌比较中看到真正的结果。

    另外:将原始sentences unigrams 即时升级为短语计算的 bigrams 的计算成本可能很高。上面建议的方法意味着发生 6 次——词汇扫描,然后是 5 次训练通过。如果需要考虑运行时间,最好执行一次短语组合,将结果保存到内存中的对象(如果您的语料库很容易放入 RAM)或新的简单空格分隔的临时结果文件,然后将该文件用作 Word2Vec 模型的输入。

    【讨论】:

    • 使用您的建议将解决问题的尝试添加到我的问题中。
    • 您的PhraserIterable,为了提供Word2Vec 所期望的,应该在每次迭代时发出每个短语化的句子。 (也许我应该建议这个名字,PhrasingIterable。)所以其sum() 测试的结果应该与内部sentences 相同,而不是1。 (在PhrasingIteratorSeparately 中使用Sentenceiterator 也可能有助于重用代码而不是复制/粘贴它。
    • 要查找任何其他可能出错的地方,请单独检查每个步骤的结果。 phraser 是否在测试令牌列表中给出了预期的结果?预期存在的各个单词/短语是否都有不同的向量? (我什至不知道如何解释您的报告 speed - velocity - 0。如果可以从模型中检索到向量,它们将被初始化为随机向量——因此减法的结果将是 256d 向量,而不是一个 0.0 的标量值,也不是原点向量。model['speed'] - model['velocity'] 给出了什么?
    • 谢谢老哥,现在修好了。将在一分钟内发布解决方案。
    【解决方案2】:

    gojomo 的帮助下,这是有效的代码:

    短语迭代器:

    class PhraseIterator(object):
    def __init__(self, phraser, sentences_iterator):
        self.phraser = phraser
        self.sentences_iterator = sentences_iterator
    
    def __iter__(self):
            yield self.phraser[self.sentences_iterator]
    

    使用此迭代器产生错误:

    不可散列的类型列表

    所以我找到了一个以这种方式使用它的解决方案:

    from itertools import chain
    
    phrase_iterator = PhraseIterator(self.phraser, sentences)
    self.model = Word2Vec(list(chain(*phrase_iterator)), size=256, min_count=10, workers=10)
    

    现在相似度计算工作得很好(比以前更好,没有措辞):

    speed - velocity - 0.950267364305
    high - low - 0.933983275802
    tall - high - 0.858025875923
    nice - good - 0.878882061037
    computer - computational - 0.972395648333
    

    【讨论】:

      猜你喜欢
      • 2019-07-02
      • 2015-10-10
      • 1970-01-01
      • 2015-10-27
      • 2014-04-03
      • 2017-03-19
      • 2019-08-05
      • 2016-06-29
      • 2019-04-27
      相关资源
      最近更新 更多