【NLP实战】tensorflow词向量训练实战-优快云博客

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。

本篇介绍自然语言处理中最基础的词向量的训练。

作者&编辑 | 小Dream哥

1 语料准备

用于词向量训练的语料应该是已经分好词的语料，如下所示：

2 词向量训练

(1) 读取语料数据

读取数据的过程很简单，就是从压缩文件中读取上面显示的语料，得到一个列表。

def read_data(filename):

(2) 根据语料，构建字典

构建字典几乎是所有NLP任务所必须的步骤。

def build_dataset(words):

(vocabulary_size - 1))

dictionary = dict()

(3) 根据语料，获取一个batch的数据

这里需要解释一下，此次词向量的训练，采用的是skip gram的方式，即通过一个词，预测该词附近的词。generate_batch函数中，skip_window表示取该词左边或右边多少个词，num_skips表示总共取多少个词。最后生成的batch数据，batch是num_skips*batch_size个词，label是中间的batch_size个词。

def generate_batch(batch_size, num_skips, skip_window):

(4) 用tensforslow训练词向量

首先，构造tensorflow运算图，主要包括以下几个步骤：

1.用palceholder先给训练数据占坑；

2.初始化词向量表，是一个|V|*embedding_size的矩阵，目标就是优化这个矩阵；

3.初始化权重；

4.构建损失函数，这里用NCE构建；

5.构建优化器；

6.构建变量初始化器

graph = tf.Graph() # input data# operations and variables# construct the variables for the NCE loss

nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

ncs_loss_test=tf.nn.nce_loss(weights=nce_weights, biases=nce_biases,labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)

loss = tf.reduce_mean(tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, labels=train_labels, inputs=embed, num_sampled=num_sampled, num_classes=vocabulary_size)) # construct the SGD optimizer using a learning rate of 1.0 # compute the cosine similarity between minibatch examples and all embeddings

# add variable initializer

然后，开始训练词向量：

num_steps = 1000 # we must initialize all variables before using them# loop through all training steps and keep track of loss # generate a minibatch of training data # we perform a single update step by evaluating the optimizer operation (including it

(5) 保存词向量

将训练好的词向量写到文件中备用。

final_embeddings = normalized_embeddings.eval()

最后，我们将词向量写到了vector.txt里面，得到了一份很大的词向量表，我们看看它长成什么样子：