Word2Vec模型训练全流程解析：从数据预处理到实体识别应用

请添加图片描述

训练Word2Vec模型

概述

问题

• 我们如何训练Word2Vec模型？
• 在特定数据集上训练Word2Vec模型何时是有利的？

目标

• 理解在自有数据上训练Word2Vec模型而非使用预训练模型的优势

Colab环境配置

运行以下代码以启用辅助函数并重新读取数据。

PYTHON代码

# 运行此单元格以挂载你的Google Drive
from google.colab import drive
drive.mount('/content/drive')# 显示现有Colab笔记本和helpers.py文件
from os import listdir
wksp_dir = '/content/drive/My Drive/Colab Notebooks/text-analysis/code'
print(listdir(wksp_dir))# 将文件夹添加到Colab的路径中，以便导入辅助函数
import sys
sys.path.insert(0, wksp_dir)

输出结果

Mounted at /content/drive
['analysis.py','pyldavis.py','.gitkeep','helpers.py','preprocessing.py','attentionviz.py','mit_restaurants.py','plotfrequency.py','__pycache__']

PYTHON代码

# 安装parse模块（helpers.py中调用）所需的依赖
!pip install parse

加载数据

PYTHON代码

# 重新读取数据
from pandas import read_csv
data = read_csv("/content/drive/My Drive/Colab Notebooks/text-analysis/data/data.csv")

创建我们分析时要用到的文件列表。我们先将Word2Vec模型拟合到列表中的一本书——《白鲸记》（Moby Dick）。

PYTHON代码

single_file = data.loc[data['Title'] == 'moby_dick','File'].item()
single_file

输出结果

'/content/drive/My Drive/Colab Notebooks/text-analysis/data/melville-moby_dick.txt'

我们预览文件内容，确保代码和目录设置正常工作。

PYTHON代码

# 打开并读取文件
f = open(single_file,'r')
file_contents = f.read()
f.close()# 预览文件内容
preview_len = 500
print(file_contents[0:preview_len])

输出结果

[Moby Dick by Herman Melville 1851]ETYMOLOGY.(Supplied by a Late Consumptive Usher to a Grammar School)The pale Usher--threadbare in coat, heart, body, and brain; I see him
now.  He was ever dusting his old lexicons and grammars, with a queer
handkerchief, mockingly embellished with all the gay flags of all the
known nations of the world.  He loved to dust his old grammars; it
somehow mildly reminded him of his mortality."While you take in hand to school others, and to teach them by wha

PYTHON代码

file_contents[0:preview_len] # 注意实际字符串中仍包含\n（print()会将其处理为换行）

输出结果

'[Moby Dick by Herman Melville 1851]\n\n\nETYMOLOGY.\n\n(Supplied by a Late Consumptive Usher to a Grammar School)\n\nThe pale Usher--threadbare in coat, heart, body, and brain; I see him\nnow.  He was ever dusting his old lexicons and grammars, with a queer\nhandkerchief, mockingly embellished with all the gay flags of all the\nknown nations of the world.  He loved to dust his old grammars; it\nsomehow mildly reminded him of his mortality.\n\n"While you take in hand to school others, and to teach them by wha'

预处理步骤

1. 将文本拆分为句子
2. 对文本进行分词
3. 对所有词元进行词形还原并转为小写
4. 移除停用词

1. 将文本转换为句子列表

要记住，我们利用句子中单词的序列来学习有意义的词嵌入。一个句子的最后一个单词并不总是和下一个句子的第一个单词相关。因此，在进一步处理前，我们要将文本拆分为单个句子。

Punkt句子分词器

NLTK的句子分词器（“punkt”）在大多数情况下表现良好，但当遇到包含大量标点、感叹号、缩写或重复符号的复杂段落时，可能无法正确检测句子。要解决这些问题没有通用的标准方法。如果希望确保用于训练Word2Vec的每个“句子”都是真正的句子，需要编写一些额外的（且高度依赖数据的）代码，利用正则表达式和字符串操作来处理罕见错误。

就我们的目的而言，愿意容忍少量句子分词错误。如果这项工作要发表，仔细检查punkt的分词结果是值得的。

PYTHON代码

import nltk
nltk.download('punkt') # sent_tokenize函数的依赖
sentences = nltk.sent_tokenize(file_contents)

输出结果

[nltk_data] Downloading package punkt to /root/nltk_data...
[nltk_data]   Package punkt is already up-to-date!

PYTHON代码

sentences[300:305]

输出结果

['How then is this?','Are the green fields gone?','What do they\nhere?','But look!','here come more crowds, pacing straight for the water, and\nseemingly bound for a dive.']

2-4：分词、词形还原与移除停用词

调用文本预处理辅助函数并拆解代码逻辑……

• 我们将在每个句子上运行此函数
• 词形还原、分词、小写转换和停用词处理都是之前学过的内容
• 在词形还原步骤，我们使用NLTK的词形还原器，它运行速度很快
• 我们还会使用NLTK的停用词列表和分词函数。回忆一下，停用词通常是语言中最常见的单词。移除它们后，Word2Vec模型可以只关注有意义单词的序列。

PYTHON代码

from helpers import preprocess_text

PYTHON代码

# 测试函数
string = 'It is not down on any map; true places never are.'
tokens = preprocess_text(string,remove_stopwords=True,verbose=True)
print('Result', tokens)

输出结果

Tokens ['It', 'is', 'not', 'down', 'on', 'any', 'map', 'true', 'places', 'never', 'are']
Lowercase ['it', 'is', 'not', 'down', 'on', 'any', 'map', 'true', 'places', 'never', 'are']
Lemmas ['it', 'is', 'not', 'down', 'on', 'any', 'map', 'true', 'place', 'never', 'are']
StopRemoved ['map', 'true', 'place', 'never']
Result ['map', 'true', 'place', 'never']

PYTHON代码

# 将句子列表转换为pandas Series，以便使用apply功能
import pandas as pd
sentences_series = pd.Series(sentences)

PYTHON代码

tokens_cleaned = sentences_series.apply(preprocess_text,remove_stopwords=True,verbose=False)

PYTHON代码

# 查看清洗前的句子
sentences[300:305]

输出结果

['How then is this?','Are the green fields gone?','What do they\nhere?','But look!','here come more crowds, pacing straight for the water, and\nseemingly bound for a dive.']

PYTHON代码

# 查看清洗后的句子
tokens_cleaned[300:305]

输出结果

    300                                                   []301                                 [green, field, gone]302                                                   []303                                               [look]304    [come, crowd, pacing, straight, water, seeming...dtype: object

PYTHON代码

tokens_cleaned.shape # 共9852个句子

PYTHON代码

# 移除空句子和仅含1个单词的句子（全为停用词）
tokens_cleaned = tokens_cleaned[tokens_cleaned.apply(len) > 1]
tokens_cleaned.shape

使用分词后文本训练Word2Vec模型

现在我们可以用这些数据训练Word2Vec模型。首先从gensim导入Word2Vec模块。然后将分词后的句子列表传入Word2Vec函数，并设置sg=0（“skip-gram”）以使用**连续词袋（CBOW）**训练方法。

为完全确定性运行设置种子和工作线程：接下来我们设置一些可复现性参数。设置种子，确保每次运行代码时向量的随机初始化方式相同。为了实现完全确定性的复现，我们还将模型限制为单工作线程（workers=1），以消除操作系统线程调度带来的顺序抖动

PYTHON代码

# 导入gensim的Word2Vec模块
from gensim.models import Word2Vec# 使用清洗后的数据训练Word2Vec模型
model = Word2Vec(sentences=tokens_cleaned, seed=0, workers=1, sg=0)

Gensim的实现基于Tomas Mikolov最初的word2vec模型，该模型会根据频率自动下采样所有高频词。下采样能节省模型训练时间。

后续步骤：词嵌入应用场景

现在我们已获得《白鲸记》中所有（经过词形还原和去停用词的）单词的向量表示。看看如何用这些向量从文本数据中获取洞见。

最相似单词

和预训练Word2Vec模型一样，我们可以用most_similar函数找到与查询词有意义关联的单词。

PYTHON代码

# 默认设置
model.wv.most_similar(positive=['whale'], topn=10)

输出结果

[('great', 0.9986481070518494),('white', 0.9984517097473145),('fishery', 0.9984385371208191),('sperm', 0.9984176158905029),('among', 0.9983417987823486),('right', 0.9983320832252502),('three', 0.9983301758766174),('day', 0.9983181357383728),('length', 0.9983041882514954),('seen', 0.998255729675293)]

词汇表限制

注意，Word2Vec只能为训练数据中出现过的单词生成向量表示。

PYTHON代码

model.wv.most_similar(positive=['orca'], topn=30)

KeyError: "Key 'orca' not present in vocabulary"

fastText解决OOV问题

若需获取未登录词（OOV）的词向量，可改用fastText词嵌入模型（Gensim也提供该模型）。fastText模型可通过对单词的字符n-gram分量向量求和，为未登录词生成向量（只要至少有一个字符n-gram在训练数据中出现过）。

Word2Vec用于命名实体识别

这个“最相似”功能能用来做什么？一种用法是构建相似单词列表来表示某类概念。例如，我们想知道《白鲸记》中还提到了哪些海洋生物。可以用gensim的most_similar函数来构建平均代表“海洋生物”类别的单词列表。

我们将使用以下步骤：

1. 初始化一个表示“海洋生物”类别的小单词列表
2. 计算该单词列表的平均向量表示
3. 用这个平均向量找到最相似的前N个向量（单词）
4. 检查相似单词并更新海洋生物列表
5. 重复步骤1-4，直到找不到新的海洋生物

PYTHON代码

# 初始化表示海洋生物的小单词列表
sea_creatures = ['whale', 'fish', 'creature', 'animal']# 以下代码将计算列表中单词的平均向量，
# 并找到与该平均向量最相似的向量/单词
model.wv.most_similar(positive=sea_creatures, topn=30)

输出结果

[('great', 0.9997826814651489),('part', 0.9997532963752747),('though', 0.9997507333755493),('full', 0.999735951423645),('small', 0.9997267127037048),('among', 0.9997209906578064),('case', 0.9997204542160034),('like', 0.9997190833091736),('many', 0.9997131824493408),('fishery', 0.9997081756591797),('present', 0.9997068643569946),('body', 0.9997056722640991),('almost', 0.9997050166130066),('found', 0.9997038245201111),('whole', 0.9997023940086365),('water', 0.9996949434280396),('even', 0.9996913075447083),('time', 0.9996898174285889),('two', 0.9996897578239441),('air', 0.9996871948242188),('length', 0.9996850490570068),('vast', 0.9996834397315979),('line', 0.9996828436851501),('made', 0.9996813535690308),('upon', 0.9996812343597412),('large', 0.9996775984764099),('known', 0.9996767640113831),('harpooneer', 0.9996761679649353),('sea', 0.9996750354766846),('shark', 0.9996744990348816)]

PYTHON代码

# 将shark加入列表
model.wv.most_similar(positive=['whale', 'fish', 'creature', 'animal', 'shark'], topn=30)

输出结果

[('great', 0.9997999668121338),('though', 0.9997922778129578),('part', 0.999788761138916),('full', 0.999781608581543),('small', 0.9997766017913818),('like', 0.9997683763504028),('among', 0.9997652769088745),('many', 0.9997631311416626),('case', 0.9997614622116089),('even', 0.9997515678405762),('body', 0.9997514486312866),('almost', 0.9997509717941284),('present', 0.9997479319572449),('found', 0.999747633934021),('water', 0.9997465014457703),('made', 0.9997431635856628),('air', 0.9997406601905823),('whole', 0.9997400641441345),('fishery', 0.9997299909591675),('harpooneer', 0.9997295141220093),('time', 0.9997290372848511),('two', 0.9997289776802063),('sea', 0.9997265934944153),('strange', 0.9997244477272034),('large', 0.999722421169281),('place', 0.9997209906578064),('dead', 0.9997198581695557),('leviathan', 0.9997192025184631),('sometimes', 0.9997178316116333),('high', 0.9997177720069885)]

PYTHON代码

# 将leviathan（海 serpent）加入列表
model.wv.most_similar(positive=['whale', 'fish', 'creature', 'animal', 'shark', 'leviathan'], topn=30)

输出结果

[('though', 0.9998274445533752),('part', 0.9998168349266052),('full', 0.9998133182525635),('small', 0.9998107552528381),('great', 0.9998067021369934),('like', 0.9998064041137695),('even', 0.9997999668121338),('many', 0.9997966885566711),('body', 0.9997950196266174),('among', 0.999794602394104),('found', 0.9997929334640503),('case', 0.9997885823249817),('almost', 0.9997871518135071),('made', 0.9997868537902832),('air', 0.999786376953125),('water', 0.9997802972793579),('whole', 0.9997780919075012),('present', 0.9997757077217102),('harpooneer', 0.999768853187561),('place', 0.9997684955596924),('much', 0.9997658729553223),('time', 0.999765157699585),('sea', 0.999765157699585),('dead', 0.999764621257782),('strange', 0.9997624158859253),('high', 0.9997615218162537),('two', 0.999760091304779),('sometimes', 0.9997592568397522),('half', 0.9997562170028687),('vast', 0.9997541904449463)]

没有找到新的海洋生物。看来我们已用Word2Vec找回了海洋生物列表。

局限性

我们的列表中至少遗漏了一种海洋生物——大王乌贼。大王乌贼在《白鲸记》中仅被提及几次，因此我们的Word2Vec模型可能无法为“squid”（乌贼）训练出良好的表示。神经网络只有在数据量充足时才能表现良好。

探索skip-gram算法

skip-gram算法在捕捉训练数据中罕见单词的语义方面有时表现更优。用skip-gram算法训练新的Word2Vec模型，看看能否重复上述类别搜索任务找到“squid”（乌贼）这个词。

PYTHON代码

# 导入gensim的Word2Vec模块
from gensim.models import Word2Vec# 使用清洗后的数据训练Word2Vec模型
model = Word2Vec(sentences=tokens_cleaned, seed=0, workers=1, sg=1)
model.wv.most_similar(positive=['whale', 'fish', 'creature', 'animal', 'shark', 'leviathan'], topn=100) # 仍未找到squid

输出结果

[('whalemen', 0.9931729435920715),('specie', 0.9919217824935913),('bulk', 0.9917919635772705),('ground', 0.9913252592086792),('skeleton', 0.9905602931976318),('among', 0.9898401498794556),('small', 0.9887762665748596),('full', 0.9885162115097046),('captured', 0.9883950352668762),('found', 0.9883666634559631),('sometimes', 0.9882548451423645),('snow', 0.9880553483963013),('magnitude', 0.9880378842353821),('various', 0.9878063201904297),('hump', 0.9876748919487),('cuvier', 0.9875931739807129),('fisherman', 0.9874721765518188),('general', 0.9873012900352478),('living', 0.9872495532035828),('wholly', 0.9872384667396545),('bone', 0.987160861492157),('mouth', 0.9867696762084961),('natural', 0.9867129921913147),('monster', 0.9865870475769043),('blubber', 0.9865683317184448),('indeed', 0.9864518046379089),('teeth', 0.9862186908721924),('entire', 0.9861844182014465),('latter', 0.9859246015548706),('book', 0.9858523607254028)]

讨论练习结果：使用Word2Vec揭示某类别中的项目时，可能会遗漏很少被提及的项目。即使使用在罕见词上表现更优的Skip-gram训练方法，也是如此。因此，有时将此类任务留待处理更大的文本语料库更合适。在后续课程中，我们将探索大语言模型（LLM）如何在命名实体识别相关任务中表现更优。

实体识别应用

在你的研究中，还可以如何利用这类分析？和小组分享你的想法。

示例：在19世纪的报纸文章上训练模型，收集语料库中提及的食物列表（所选主题）。对20世纪的报纸文章做同样处理，比较流行食物随时间的变化。

跨作者比较向量表示

回忆一下，Word2Vec模型基于单词最常见的上下文单词来学习编码单词的语义/表示。例如，在两位不同作者的书籍（每位作者对应一个模型）上训练两个独立的Word2Vec模型，我们可以比较不同作者用词的差异。这种方法可以用来研究哪些研究问题或单词？

一种可能的方法是比较作者如何表现不同性别。由于历史性别规范，早期（过时的！）书籍中“man”和“woman”的词向量可能比新书的词向量距离更远。

其他词嵌入模型

尽管Word2Vec是著名模型且至今仍在许多NLP应用中使用，但还有其他一些词嵌入模型值得探索。GloVe和fastText是目前最流行的两种选择。

PYTHON代码

# 预览可用的其他词嵌入模型
print(list(api.info()['models'].keys()))

输出结果

['fasttext-wiki-news-subwords-300', 'conceptnet-numberbatch-17-06-300', 'word2vec-ruscorpora-300', 'word2vec-google-news-300', 'glove-wiki-gigaword-50', 'glove-wiki-gigaword-100', 'glove-wiki-gigaword-200', 'glove-wiki-gigaword-300', 'glove-twitter-25', 'glove-twitter-50', 'glove-twitter-100', 'glove-twitter-200', '__testing_word2vec-matrix-synopsis']

相似性

• 三种算法都在高维空间中生成单词的向量表示
• 它们可用于解决多种自然语言处理任务
• 它们都是开源的，在研究社区中广泛使用

差异

• Word2Vec通过给定句子中单词的周围单词来预测其上下文以生成嵌入，而GloVe和fastText通过预测语料库中单词与其他单词共现的概率来生成嵌入
• fastText还包含字符n-gram，使其能为训练中未见过的单词生成嵌入，在处理未登录词时特别有用
• 总体而言，在三种嵌入技术（GloVe、fastText、Word2Vec）中，fastText被认为是训练最快的。这是因为fastText使用子词信息，减少了词汇量并允许模型处理未登录词。此外，fastText在训练中使用分层softmax，比Word2Vec使用的传统softmax更快。最后，fastText可在多线程上训练，进一步加快训练过程

关键要点

• 作为使用预训练模型的替代方案，在特定数据集上训练Word2Vec模型可让你将Word2Vec用于**命名实体识别（NER）**相关任务。