作者|Mate Pocs

编译|VK

来源|Towards Data Science

Word2vec绝对是我在自然语言处理研究中遇到的最有趣的概念。想象一下，有一种算法可以成功地模拟理解单词的含义及其在语言中的功能，它可以在不同的主题内来衡量单词之间的接近程度。

我认为可视化地表示word2vec向量会很有趣：本质上，我们可以获取国家或城市的向量，应用主成分分析来减少维度，并将它们放在二维图表上。然后，我们可以观察可视化的结果。

在本文中，我们将：从广义上讨论word2vec理论；

下载原始的预训练向量；

看看一些有趣的应用程序：比如对一些单词进行算术运算，比如著名的king-man+woman=queen等式

根据word2vec向量看看我们能多精确地来绘制欧洲的首都。

word2vec的原始研究论文和预训练模型来自2013年，考虑到NLP文献的扩展速度，目前它是老技术。较新的方法包括GloVe(更快，可以在较小的语料库上训练)和fastText(能够处理字符级的n-gram)。

Quick Word2Vec简介

自然语言处理的核心概念之一是如何量化单词和表达式，以便能够在模型环境中使用它们。语言元素到数值表示的这种映射称为词嵌入。

Word2vec是一个词嵌入过程。这个概念相对简单：通过一个句子一个句子地在语料库中循环去拟合一个模型，根据预先定义的窗口中的相邻单词预测当前单词。

为此，它使用了一个神经网络，但实际上最后我们并不使用预测的结果。一旦模型被保存，我们只保存隐藏层的权重。在我们将要使用的原始模型中，有300个权重，因此每个单词都由一个300维向量表示。

请注意，两个单词不必彼此接近的地方才被认为是相似的。如果两个词从来没有出现在同一个句子中，但它们通常被相同的包围，那么可以肯定它们有相似的意思。

word2vec中有两种建模方法：skip-gram和continuous bag of words，这两种方法都有各自的优点和对某些超参数的敏感性……但是你知道吗？我们将不拟合我们自己的模型，所以我不会花时间在它上面。

当然，你得到的词向量取决于你训练模型的语料库。一般来说，你确实需要一个庞大的语料库，有维基百科上训练过的版本，或者来自不同来源的新闻文章。我们将要使用的结果是在Google新闻上训练出来的。

如何下载和安装

首先，你需要下载预训练word2vec向量。你可以从各种各样的模型中进行选择，这些模型是针对不同类型的文档进行训练的。

我用的是最初的模型，在Google新闻上受过训练，你可以从很多来源下载，只需搜索“Google News vectors negative 300”。或者， 在这里下载：https://github.com/mmihaltz/w...。

注意，这个文件是1.66gb，但它包含了30亿字的300维表示。

当谈到在Python中使用word2vec时，再一次，你有很多包可供选择，我们将使用gensim库。假设文件保存在word2vec_pretrained文件夹中，可以用Python加载，代码如下所示：from gensim.models.keyedvectors import KeyedVectors

word_vectors = KeyedVectors.load_word2vec_format(\

'./word2vec_pretrained/GoogleNews-vectors-negative300.bin.gz', \

binary = True, limit = 1000000)

limit参数定义了要导入的单词数，100万对于我来说已经足够了。

探索Word2vec

现在我们已经有了word2vec向量，我们可以查看它的一些相关有趣的用法。

首先，你可以实际检查任何单词的向量表示：word_vectors['dog']

结果，正如我们预期的，是一个300维的向量，并且这个向量很难解释。我们通过对这些向量的加和减来计算新向量，然后计算余弦相似度来找到最接近的匹配词。

你可以使用most_similar函数找到同义词，topn参数定义要列出的单词数：word_vectors.most_similar(positive = ['nice'], topn = 5)

结果[('good', 0.6836092472076416),

('lovely', 0.6676311492919922),

('neat', 0.6616737246513367),

('fantastic', 0.6569241285324097),

('wonderful', 0.6561347246170044)]

现在，你可能认为用类似的方法，你也可以找到反义词，你可能认为只需要把“nice”这个词作为negative输入。但结果却是[('J.Gordon_###-###', 0.38660115003585815),

('M.Kenseth_###-###', 0.35581791400909424),

('D.Earnhardt_Jr._###-###', 0.34227001667022705),

('G.Biffle_###-###', 0.3420777916908264),

('HuMax_TAC_TM', 0.3141660690307617)]

这些词实际上表示离“nice”这个词最远的词。

使用doesnt_match函数可以找出异常词：word_vectors.doesnt_match(

['Hitler', 'Churchill', 'Stalin', 'Beethoven'])

返回Beethoven。我想这很方便。

最后，让我们看看一些操作的例子，这些操作通过赋予算法一种虚假的智能感而出名。如果我们想合并father和woman这两个词的向量，并且减去man这个词的向量，代码如下word_vectors.most_similar(

positive = ['father', 'woman'], negative = ['man'], topn = 1)

我们得到：[('mother', 0.8462507128715515)]

脑子先转一转，想象一下我们只有两个维度：亲子关系和性别。“女人”这个词可以用这个向量来表示：[0，1]，“男人”是[0，-1]，“父亲”是[1，-1]，“母亲”是[1，1]。现在，如果我们做同样的运算，我们得到同样的结果。当然，区别在于我们有300个维度，而不是示例中仅有的2个维度，维度的含义几乎无法解释。

在word2vec操作中，有一个著名的性别偏见例子，“doctor”这个词的女性版本过去被计算为“nurse”。我试着复制，但没有得到同样的结果：word_vectors.most_similar(

positive = ['doctor', 'woman'], negative = ['man'], topn = 1)

[('gynecologist', 0.7093892097473145)]

我们得到了妇科医生，所以，我想这可能是进步吧？

好吧，现在我们已经检查了一些基本的函数，让我们来研究我们的可视化吧！

Map函数

首先，我们需要一个Map函数。假设我们有一个要可视化的字符串列表和一个词嵌入，我们希望：找到列表中每个单词的词向量表示；

利用主成分分析法将维数降到2；

创建散点图，将单词作为每个数据点的标签；

另外一个额外的好处是，可以从任何维度“旋转”结果——主成分分析的向量是任意方向的，当我们绘制地理单词时，我们可能想要改变这个方向，看是否可以与现实世界的方向一致。

我们需要以下库：import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.decomposition import PCA

import adjustText

列表中不常用的一个库是adjustText，这是一个非常方便的包，它使得在散点图中编写图例变得简单，而不会重叠。对于我来说，找到这个解决方案非常困难，而且据我所知，在matplotlib或seaborn中没有办法做到这一点。

无需进一步说明，此函数将完全满足我们的需要：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)

现在是测试函数的时候了。我画出了欧洲国家的首都。你可以使用任何列表，例如总统或其他历史人物的名字，汽车品牌，烹饪原料，摇滚乐队等等，只要在word_list参数中传递它。很有意思的是看到一堆堆的东西在两个轴后面形成一个意思。

如果你想重现结果，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']

假设你仍然有我们在上一节中创建的word_vectors对象，可以这样调用函数：plot_2d_representation_of_words(

word_list = capitals,

word_vectors = word_vectors,

flip_y_axis = True)

(翻转y轴是为了创建更像真实贴图的表示。)

结果是：

我不知道你的感受，当我第一次看到地图的时候，我真不敢相信结果会有多好！是的，当然，你看得越久，你发现的“错误”就越多，一个不好的结果就是莫斯科离东方的距离并不像它应该的那么远……尽管如此，东西方几乎完全分离，斯堪的纳维亚和波罗的海国家被很好地组合在一起，意大利周围的首都也是如此。

需要强调的是，这绝不是纯粹的地理位置，例如，雅典离西方很远，但这是有原因的。让我们回顾一下上面的地图是如何导出的，这样我们就可以充分理解它了：谷歌的一组研究人员训练了一个庞大的神经网络，根据上下文预测单词；

他们将每个单词的权重保存在一个300维的向量表示中；

我们计算欧洲各国首都的向量；

利用主成分分析法将维数降到2；

把计算出的成分放在图表上。

所以，语义的信息不能代表真实地理信息。但我觉得这个尝试很有趣。

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