【NLP】使用Python可视化Word2vec的结果

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/word2vec-GoogleNews-vectors。

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 KeyedVectorsword_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 PCAimport 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.
https://en.wikipedia.org/wiki/Word2vec
https://adjusttext.readthedocs.io/en/latest/

原文链接：https://towardsdatascience.com/how-to-draw-a-map-using-python-and-word2vec-e9627b4eae34

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑获取一折本站知识星球优惠券，复制链接直接打开：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群请扫码进群（如果是博士或者准备读博士请说明）：