前言

这篇文章是CS224N课程的第一个大作业，主要是对词向量做了一个探索，并直观的感受了一下词嵌入或者词向量的效果。这里简单的记录一下我探索的一个过程。这一下几篇文章基于这次作业的笔记理论：
cs224n学习笔记 01: Introduction and word vectors.
cs224n学习笔记 02:Word Vectors and Word Senses.
cs224n学习笔记 03:Subword Models（fasttext附代码）.
cs224n学习笔记 04：Contextual Word Embeddings.
此次实验分为两部分，第一部分是基于计数的单词词向量，而第二部分，是基于词向量的预测，是利用了已经训练好的一个词向量矩阵去介绍一下怎么进行预测，比如可视化这些词向量啊，找同义词或者反义词啊，实现单词的类比关系啊等等。

大纲

实验前的准备工作(导入包和语料库)
Part1: Count-Based Word Vectors
Part2:Prediction-Based Word Vectors

准备工作

导入要用的包

import sys
assert sys.version_info[0]==3
assert sys.version_info[1] >= 5from gensim.models import KeyedVectors  # KeyedVectors:实现实体（单词、文档、图片都可以）和向量之间的映射。每个实体由其字符串id标识。
from gensim.test.utils import datapath
import pprint     #  输出的更加规范易读
import matplotlib.pyplot as plt
plt.rcParams['figure.figsize'] = [10, 5]  #  plt.rcParams主要作用是设置画的图的分辨率，大小等信息
import nltk
nltk.download('reuters')    # 这个可以从GitHub下载， 网址：https://github.com/nltk/nltk_data/tree/gh-pages/packages/corpora
from nltk.corpus import reuters
import numpy as np
import random
import scipy as sp
from sklearn.decomposition import TruncatedSVD
from sklearn.decomposition import PCASTART_TOKEN = '<START>'
END_TOKEN = '<END>'np.random.seed(0)
random.seed(0)

这里面的Reuters是路透社(商业和金融新闻)语料库，是一个词库，语料库包含10788个新闻文档，共计130万词。这些文档跨越90个类别，分为train和test，我们这次需要用其中的一个类别(crude)里面的句子。
对于这个数据集以及后面要用到的数据我们直接下下不来，所以这里提供另外一个方法就是自己可以百度手动下载数据集。这些数据网上都有都是可以自行下载过来的。
然后就是采用下面的函数，导入这个语料库：

def read_corpus(category="crude"):""" Read files from the specified Reuter's category.Params:category (string): category nameReturn:list of lists, with words from each of the processed files"""files = reuters.fileids(category)    # 类别为crude文档# 每个文档都转化为小写， 并在开头结尾加标识符return [[START_TOKEN] + [w.lower() for w in list(reuters.words(f))] + [END_TOKEN] for f in files]

这个是导入语料库的函数，简单的进行了一下预处理，就是在每句话的前面和后面各加了一个标识符，表示句子的开始和结束，然后把每个单词分开。下面导入并看一下效果：

# pprint模块格式化打印
# pprint.pprint(object, stream=None, indent=1, width=80, depth=None, *, compact=False)
# width：控制打印显示的宽度。默认为80个字符。注意：当单个对象的长度超过width时，并不会分多行显示，而是会突破规定的宽度。
# compact：默认为False。如果值为False，超过width规定长度的序列会被分散打印到多行。如果为True，会尽量使序列填满width规定的宽度。
reuters_corpus = read_corpus()
pprint.pprint(reuters_corpus[:1], compact=True, width=100)  # compact 设置为False是一行一个单词

每个句子处理后长这样：

准备工作完成，接下来就是实验的主要两部分了。

Part1: Count-Based Word Vectors

共现矩阵是实现这种词向量的一种方式，我们看看共现矩阵是什么意思？共现矩阵计算的是单词在某些环境下一块出现的频率，对于共现矩阵，原文描述是这样的：

上面的话其实就是这样的一个意思，要想建立共现矩阵，我们需要先为单词构建一个词典，然后共现矩阵的行列都是这个词典里的单词，看下面这个例子：

上面基于这两段文档构建出的共现矩阵长这样，这个是怎么构建的？首先就是根据两个文档的单词构建一个词典，这里面的数就是两两单词在上下文中共现的频率，比如第一行， START和all一起出现了两次，这就是因为两个文档里面START的窗口中都有all。同理第二行all的那个，我们也固定一个窗口，发现第一个文档里面all左边是START，右边是that，第二个文档all左边是START，右边是is, 那么<all, START>=2, <all, that>=1, <all, is>=1。下面的都是同理了。

我们就是要构建这样的一个矩阵来作为每个单词的词向量，当然这个还不是最终形式，因为可能词典很大的话维度会特别高，所以就相当了降维技术，降维之后的结果就是每个单词的词向量。这个里面使用的降维是SVD, 原理这里不说，这里使用了Truncated SVD，具体的实现是调用了sklearn中的包。

所以我们就有了下面的这样一个思路框架：

对于语录料库中的文档单词，得先构建一个词典（唯一单词且排好序）
然后我们就是基于词典和语料库，为每个单词构建词向量，也就是共现矩阵
对共现矩阵降维，就得到了最终的词向量
可视化

1.1为语料库中的单词构建词典

词典就是记录所有的单词，但是单词唯一且有序。那么实现这个词典的思路就是我遍历每一篇文档，先获得所有的单词，然后去掉重复的，然后再排序就搞定，当然还得记录字典里的单词总数。

# 计算出语料库中出现的不同单词，并排序。
def distinct_words(corpus):""" Determine a list of distinct words for the corpus.Params:corpus (list of list of strings): corpus of documentsReturn:corpus_words (list of strings): list of distinct words across the corpus, sorted (using python 'sorted' function)num_corpus_words (integer): number of distinct words across the corpus"""corpus_words = []num_corpus_words = -1# ------------------# Write your implementation here.# 首先得把所有单词放到一个列表里面, 然后用set去重， 然后排序for everylist in corpus:corpus_words.extend(everylist)corpus_words = sorted(set(corpus_words))num_corpus_words = len(corpus_words)# ------------------return corpus_words, num_corpus_words

1.2 构建共现矩阵

首先我们得定义一个M矩阵，也就是共现矩阵，大小就是行列都是词典的单词个数（上面图片一目了然），然后还得定义一个字典单词到索引的映射，因为我们统计的时候是遍历真实文档，而填矩阵的时候是基于字典，这两个是基于同一个单词进行联系起来的，所以我们需要获得真实文档中单词在字典里面的索引才能去填矩阵。

def compute_co_occurrence_matrix(corpus, window_size=4):""" Compute co-occurrence matrix for the given corpus and window_size (default of 4).Note: Each word in a document should be at the center of a window. Words near edges will have a smallernumber of co-occurring words.For example, if we take the document "START All that glitters is not gold END" with window size of 4,"All" will co-occur with "START", "that", "glitters", "is", and "not".Params:corpus (list of list of strings): corpus of documentswindow_size (int): size of context windowReturn:M (numpy matrix of shape (number of corpus words, number of corpus words)): Co-occurence matrix of word counts. The ordering of the words in the rows/columns should be the same as the ordering of the words given by the distinct_words function.word2Ind (dict): dictionary that maps word to index (i.e. row/column number) for matrix M."""words, num_words = distinct_words(corpus)   # 单词已经去重或者排好序M = Noneword2Ind = {}# ------------------# Write your implementation here.word2Ind = {k: v for (k, v) in zip(words, range(num_words))}M = np.zeros((num_words, num_words))# 接下来是遍历语料库 对于每一篇文档， 我们得遍历每个单词# 对于每个单词， 我们得找到窗口的范围， 然后再去遍历它窗口内的每个单词# 对于这每个单词， 我们就可以在我们的M词典中进行计数， 但是要注意每个单词其实有两个索引# 一个是词典里面的索引， 一个是文档中的索引， 我们统计的共现频率是基于字典里面的索引，# 所以这里涉及到一个索引的转换# 首先遍历语料库for every_doc in corpus:for cword_doc_ind, cword in enumerate(every_doc):  # 遍历当前文档的每个单词和在文档中的索引# 对于当前的单词， 我们先找到它在词典中的位置cword_dic_ind = word2Ind[cword]# 找窗口的起始和终止位置  开始位置就是当前单词的索引减去window_size, 终止位置# 是当前索引加上windo_size+1，window_start = cword_doc_ind - window_sizewindow_end = cword_doc_ind + window_size + 1# 有了窗口， 我们就要遍历窗口里面的每个单词， 然后往M里面记录就行了# 但是还要注意一点， 就是边界问题， 因为开始单词左边肯定不够窗口大小， 结束单词# 右边肯定不够窗口大小， 所以遍历之后得判断一下是不是左边后者右边有单词for j in range(window_start, window_end):# 前面两个条件控制不越界， 最后一个条件控制不是它本身if j >=0 and j < len(every_doc) and j != cword_doc_ind:# 想办法加入到M， 那么得获取这个单词在词典中的位置oword = every_doc[j]   # 获取到上下文单词oword_dic_ind = word2Ind[oword]# 加入MM[cword_dic_ind, oword_dic_ind] += 1# ------------------return M, word2Ind

3.3 降维到K维

降维直接调用包SVD.

def reduce_to_k_dim(M, k=2):""" Reduce a co-occurence count matrix of dimensionality (num_corpus_words, num_corpus_words)to a matrix of dimensionality (num_corpus_words, k) using the following SVD function from Scikit-Learn:- http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.TruncatedSVD.htmlParams:M (numpy matrix of shape (number of corpus words, number of corpus words)): co-occurence matrix of word countsk (int): embedding size of each word after dimension reductionReturn:M_reduced (numpy matrix of shape (number of corpus words, k)): matrix of k-dimensioal word embeddings.In terms of the SVD from math class, this actually returns U * S"""    n_iters = 10     # Use this parameter in your call to `TruncatedSVD`M_reduced = Noneprint("Running Truncated SVD over %i words..." % (M.shape[0]))# ------------------# Write your implementation here.svd = TruncatedSVD(n_components=k, n_iter=n_iters, random_state=2020)M_reduced = svd.fit_transform(M)# ------------------print("Done.")return M_reduced

最后可视化结果

def plot_embeddings(M_reduced, word2Ind, words):""" Plot in a scatterplot the embeddings of the words specified in the list "words".NOTE: do not plot all the words listed in M_reduced / word2Ind.Include a label next to each point.Params:M_reduced (numpy matrix of shape (number of unique words in the corpus , k)): matrix of k-dimensioal word embeddingsword2Ind (dict): dictionary that maps word to indices for matrix Mwords (list of strings): words whose embeddings we want to visualize"""# ------------------# Write your implementation here.# 遍历句子， 获得每个单词的x，y坐标for word in words:word_dic_index = word2Ind[word]x = M_reduced[word_dic_index][0]y = M_reduced[word_dic_index][1]plt.scatter(x, y, marker='x', color='red')# plt.text()给图形添加文本注释plt.text(x+0.0002, y+0.0002, word, fontsize=9)  # # x、y上方0.002处标注文字说明，word标注的文字，fontsize：文字大小plt.show()# ------------------

综合以上的步骤：首先是读入数据，然后计算共现矩阵，然后是降维，最后是可视化：

reuters_corpus = read_corpus()
M_co_occurrence, word2Ind_co_occurrence = compute_co_occurrence_matrix(reuters_corpus)
M_reduced_co_occurrence = reduce_to_k_dim(M_co_occurrence, k=2)# Rescale (normalize) the rows to make them each of unit-length
M_lengths = np.linalg.norm(M_reduced_co_occurrence, axis=1)
M_normalized = M_reduced_co_occurrence / M_lengths[:, np.newaxis] # broadcastingwords = ['barrels', 'bpd', 'ecuador', 'energy', 'industry', 'kuwait', 'oil', 'output', 'petroleum', 'venezuela']
plot_embeddings(M_normalized, word2Ind_co_occurrence, words)

得到结果如下：

Part2:Prediction-Based Word Vectors

2.1 可视化Word2Vec训练的词嵌入

这一部分其实是利用了一个用Word2Vec技术训练好的词向量矩阵去测试一些有趣的效果，看看词向量到底是干啥用的。所以用gensim包下载了一个词向量矩阵：

def load_word2vec(embeddings_fp="F:\\jupyter lab./GoogleNews-vectors-negative300.bin"):""" Load Word2Vec VectorsParam:embeddings_fp (string) - path to .bin file of pretrained word vectorsReturn:wv_from_bin: All 3 million embeddings, each lengh 300This is the KeyedVectors format: https://radimrehurek.com/gensim/models/deprecated/keyedvectors.html"""embed_size = 300print("Loading 3 million word vectors from file...")## 自己下载的文件wv_from_bin = KeyedVectors.load_word2vec_format(embeddings_fp, binary=True)vocab = list(wv_from_bin.vocab.keys())print("Loaded vocab size %i" % len(vocab))return wv_from_bin
wv_from_bin = load_word2vec()

路径换成自己的数据保存路径就行

有了这个代码，我们就能得到一个基于Word2Vec训练好的词向量矩阵（和上面我们的M矩阵是类似的，只不过得到的方式不同），接下来就是进行降维并可视化词嵌入：

def get_matrix_of_vectors(wv_from_bin, required_words=['barrels', 'bpd', 'ecuador', 'energy', 'industry', 'kuwait', 'oil', 'output', 'petroleum', 'venezuela']):""" Put the word2vec vectors into a matrix M.Param:wv_from_bin: KeyedVectors object; the 3 million word2vec vectors loaded from fileReturn:M: numpy matrix shape (num words, 300) containing the vectorsword2Ind: dictionary mapping each word to its row number in M"""import randomwords = list(wv_from_bin.vocab.keys())print("Shuffling words ...")random.shuffle(words)words = words[:10000]       # 选10000个加入print("Putting %i words into word2Ind and matrix M..." % len(words))word2Ind = {}M = []curInd = 0for w in words:try:M.append(wv_from_bin.word_vec(w))word2Ind[w] = curIndcurInd += 1except KeyError:continuefor w in required_words:try:M.append(wv_from_bin.word_vec(w))word2Ind[w] = curIndcurInd += 1except KeyError:continueM = np.stack(M)print("Done.")return M, word2Ind# -----------------------------------------------------------------
# Run Cell to Reduce 300-Dimensinal Word Embeddings to k Dimensions
# Note: This may take several minutes
# -----------------------------------------------------------------
M, word2Ind = get_matrix_of_vectors(wv_from_bin)
M_reduced = reduce_to_k_dim(M, k=2)         # 减到了2维words = ['barrels', 'bpd', 'ecuador', 'energy', 'industry', 'kuwait', 'oil', 'output', 'petroleum', 'venezuela']
plot_embeddings(M_reduced, word2Ind, words)

结果如下：

2.2 余弦相似度

我们已经得到了每个单词的词向量表示，那么怎么看两个单词的相似性程度呢？余弦相似性是一种方式，公式如下：

基于这个方式，我们就可以找到单词的多义词，同义词，反义词还能实现单词的类比推理等。所以是直接调用的gensim的函数就行。

# 找和energy最相近的10个单词
wv_from_bin.most_similar("energy")##结果
[('renewable_energy', 0.6721636056900024),('enery', 0.6289607286453247),('electricity', 0.6030439138412476),('enegy', 0.6001754403114319),('Energy', 0.595537006855011),('fossil_fuel', 0.5802257061004639),('natural_gas', 0.5767925381660461),('renewables', 0.5708995461463928),('fossil_fuels', 0.5689164996147156),('renewable', 0.5663810968399048)]

再比如，为我们可以找同义词和反义词：

w1 = "man"
w2 = "king"
w3 = "woman"
w1_w2_dist = wv_from_bin.distance(w1, w2)
w1_w3_dist = wv_from_bin.distance(w1, w3)print("Synonyms {}, {} have cosine distance: {}".format(w1, w2, w1_w2_dist))
print("Antonyms {}, {} have cosine distance: {}".format(w1, w3, w1_w3_dist))## 结果：
Synonyms man, king have cosine distance: 0.7705732733011246
Antonyms man, woman have cosine distance: 0.2335987687110901

还可以实现类比关系：
比如： China : Beijing = Japan : ?，那么我们可以用下面的代码求这样的类别关系，注意下面的positive和negative里面的单词顺序，我们求得？其实和Japan和Beijing相似，和China远。

# Run this cell to answer the analogy -- man : king :: woman : x
pprint.pprint(wv_from_bin.most_similar(positive=['Bejing', 'Japan'], negative=['China']))## 结果：
[('Tokyo', 0.6124968528747559),('Osaka', 0.5791803598403931),('Maebashi', 0.5635818243026733),('Fukuoka_Japan', 0.5362966060638428),('Nagoya', 0.5359445214271545),('Fukuoka', 0.5319067239761353),('Osaka_Japan', 0.5298740267753601),('Nagano', 0.5293833017349243),('Taisuke', 0.5258569717407227),('Chukyo', 0.5195443034172058)]

2.3 引导词向量偏差分析

识别单词嵌入隐含的偏见(性别、种族、性取向等)。
运行下面的单元格，检查
(a)哪些词与“woman”和“boss”最相似，而与“man”最不相似;
(b)哪些词与“man”和“boss”最相似，而与“woman”最不相似。

# Run this cell
# Here `positive` indicates the list of words to be similar to and `negative` indicates the list of words to be
# most dissimilar from.
#这里“positive”表示类似的单词列表，而“negative”表示是最不相似于。
pprint.pprint(wv_from_bin.most_similar(positive=['woman', 'boss'], negative=['man']))
print()
pprint.pprint(wv_from_bin.most_similar(positive=['man', 'boss'], negative=['woman']))