doc2vec原理及实践

1.“句向量”简介

word2vec提供了高质量的词向量，并在一些任务中表现良好。
关于word2vec的原理可以参考这几篇论文：

• https://arxiv.org/pdf/1310.4546.pdf
• https://arxiv.org/pdf/1301.3781.pdf

关于如何使用第三方库gensim训练word2vec可以参考这篇博客：

• http://blog.youkuaiyun.com/john_xyz/article/details/54706807

尽管word2vec提供了高质量的词汇向量，仍然没有有效的方法将它们结合成一个高质量的文档向量。对于一个句子、文档或者说一个段落，怎么把这些数据投影到向量空间中，并具有丰富的语义表达呢？过去人们常常使用以下几种方法：

• bag of words
• LDA
• average word vectors
• tfidf-weighting word vectors

就bag of words而言，有如下缺点：1.没有考虑到单词的顺序，2.忽略了单词的语义信息。因此这种方法对于短文本效果很差，对于长文本效果一般，通常在科研中用来做baseline。

average word vectors就是简单的对句子中的所有词向量取平均。是一种简单有效的方法，但缺点也是没有考虑到单词的顺序

tfidf-weighting word vectors是指对句子中的所有词向量根据tfidf权重加权求和，是常用的一种计算sentence embedding的方法，在某些问题上表现很好，相比于简单的对所有词向量求平均，考虑到了tfidf权重，因此句子中更重要的词占得比重就更大。但缺点也是没有考虑到单词的顺序

LDA模型当然就是计算出一片文档或者句子的主题分布。也常常用于文本分类任务，后面会专门写一篇文章介绍LDA模型和doc2vec的本质不同

2. doc2vec原理

doc2vec是google的两位大牛Quoc Le和Tomas Mikolov在2014年提出的，原始论文地址如下：https://cs.stanford.edu/~quocle/paragraph_vector.pdf

Doc2Vec 或者叫做 paragraph2vec, sentence embeddings，是一种非监督式算法，可以获得 sentences/paragraphs/documents 的向量表达，是 word2vec 的拓展。学出来的向量可以通过计算距离来找 sentences/paragraphs/documents 之间的相似性，可以用于文本聚类，对于有标签的数据，还可以用监督学习的方法进行文本分类，例如经典的情感分析问题。

在介绍doc2vec原理之前，先简单回顾下word2vec的原理

word2vec基本原理

熟悉word2vec的同学都知道，下图是学习词向量表达最经典的一幅图。在下图中，任务就是给定上下文，预测上下文的其他单词。

其中，每个单词都被映射到向量空间中，将上下文的词向量级联或者求和作为特征，预测句子中的下一个单词。一般地：给定如下训练单词序列$w_1, w_2, w_3,...,w_T$, 目标函数是

$\frac{1}{T}\sum_{t=k}^{T-k}log p(w_t|w_{t-k},...,w_{t+k})$
当然，预测的任务是一个多分类问题，分类器最后一层使用softmax，计算公式如下：
$p(w_t|w_{t-k},...,w_{t+k}) = \frac{e^{y_{w_t}}}{\sum_ie^{y_i}}$

这里的每一个$y_i$可以理解为预测出每个$word$的概率。因为在该任务中，每个词就可以看成一个类别。计算$y_i$的公式如下：

$y = b + Uh(w_{t-k},...,w_{t+k};W)$

这里$U$和$b$都是参数，h是将$w_{t-k},...,w_{t+k}$级联或者求平均。
因为每个单词都是一类，所以类别众多，在计算softmax归一化的时候，效率很低。因此使用hierarical softmax加快计算速度，其实就是huffman树，这个不再赘述，有兴趣的同学可以看word2vec的paper。

doc2vec基本原理

1. A distributed memory model

训练句向量的方法和词向量的方法非常类似。训练词向量的核心思想就是说可以根据每个单词$w_i$的上下文预测$w_i$，也就是说上下文的单词对$w_i$是有影响的。那么同理，可以用同样的方法训练doc2vec。例如对于一个句子$s:$i want to drink water，如果要去预测句子中的单词want，那么不仅可以根据其他单词生成feature， 也可以根据其他单词和句子$s$来生成feature进行预测。因此doc2vec的框架如下所示：

每个段落/句子都被映射到向量空间中，可以用矩阵$D$的一列来表示。每个单词同样被映射到向量空间，可以用矩阵$W$的一列来表示。然后将段落向量和词向量级联或者求平均得到特征，预测句子中的下一个单词。

这个段落向量/句向量也可以认为是一个单词，它的作用相当于是上下文的记忆单元或者是这个段落的主题，所以我们一般叫这种训练方法为Distributed Memory Model of Paragraph Vectors(PV-DM)

在训练的时候我们固定上下文的长度，用滑动窗口的方法产生训练集。段落向量/句向量 在该上下文中共享。

总结doc2vec的过程, 主要有两步：

• 训练模型，在已知的训练数据中得到词向量$W$, softmax的参数$U$和$b$,以及段落向量/句向量$D$
• 推断过程（inference stage），对于新的段落，得到其向量表达。具体地，在矩阵$D$中添加更多的列，在固定$W$,$U$, b b 的情况下，利用上述方法进行训练，使用梯度下降的方法得到新的D,从而得到新段落的向量表达

  2. Paragraph Vector without word ordering: Distributed bag of words

  还有一种训练方法是忽略输入的上下文，让模型去预测段落中的随机一个单词。就是在每次迭代的时候，从文本中采样得到一个窗口，再从这个窗口中随机采样一个单词作为预测任务，让模型去预测，输入就是段落向量。如下所示：

  

  我们称这种模型为 Distributed Bag of Words version of Paragraph Vector(PV-DBOW)

  在上述两种方法中，我们可以使用PV-DM或者PV-DBOW得到段落向量/句向量。对于大多数任务，PV-DM的方法表现很好，但我们也强烈推荐两种方法相结合。

  3. 基于gensim的doc2vec实践

  我们使用第三方库gensim进行doc2vec模型的训练

  # -*- coding: utf-8 -*-
  import sys
  import logging
  import os
  import gensim
  # 引入doc2vec
  from gensim.models import Doc2Vec
  curPath = os.path.abspath(os.path.dirname(__file__))
  rootPath = os.path.split(curPath)[0]
  sys.path.append(rootPath)
  from utilties import ko_title2words
  
  # 引入日志配置
  logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
  
  # 加载数据
  documents = []
  # 使用count当做每个句子的“标签”，标签和每个句子是一一对应的
  count = 0
  with open('../data/titles/ko.video.corpus','r') as f:
      for line in f:
          title = unicode(line, 'utf-8')
          # 切词，返回的结果是列表类型
          words = ko_title2words(title)
          # 这里documents里的每个元素是二元组，具体可以查看函数文档
          documents.append(gensim.models.doc2vec.TaggedDocument(words, [str(count)]))
          count += 1
          if count % 10000 == 0:
              logging.info('{} has loaded...'.format(count))
  
  # 模型训练
  model = Doc2Vec(documents, dm=1, size=100, window=8, min_count=5, workers=4)
  # 保存模型
  model.save('models/ko_d2v.model')

  接下来看看训练好的模型可以做什么

  def test_doc2vec():
      # 加载模型
      model = doc2vec.Doc2Vec.load('models/ko_d2v.model')
      # 与标签‘0’最相似的
      print(model.docvecs.most_similar('0'))
      # 进行相关性比较
      print(model.docvecs.similarity('0','1'))
      # 输出标签为‘10’句子的向量
      print(model.docvecs['10'])
      # 也可以推断一个句向量(未出现在语料中)
      words = u"여기 나오는 팀 다 가슴"
      print(model.infer_vector(words.split()))
      # 也可以输出词向量
      print(model[u'가슴'])

  以上都是一些比较常见的用法，更多的用法请参https://radimrehurek.com/gensim/models/doc2vec.html