基于doc2vec的中文文本聚类及去重

• Understand doc2vec
• Data introduction
• Train a model
• Test the model
• Cluster all the lyrics
• Filter out the duplicates

1. Understand doc2vec [1]

doc2vec是基于word2vec演化而来，其本质是要学出文档的一个表示，模型由谷歌科学家Quoc Le 和 Tomas Mikolov 2014年提出，并将论文发表在International Conference on Machine Learning上。由于word2vec的训练一般有两种策略：(1) 已知上下文，推测下一个词；就是本文中的CBOW (2) 已知当前词，推测上下文，也就是常说的skip-gram。

1.1 基于CBOW的word2vec

给定一条文本包含文字：w1,w2,w3,…wT, 那么word2vec的目标函数就是最大化概率函数

目标函数很好理解，本质上是给定窗口大小的n-gram。那么用什么数据训练模型呢？模型的输入和输出其实就是一个二元组[上下文，预测词]。就是用很多这样的二元组来训练模型。例如，给定句子：秋天傍晚小街路面湿润。假定分词结果为[秋天，傍晚， 小街， 路面， 湿润]，现在要预测小街，窗口大小为2， 那么用来训练模型的数据集包括[秋天，小街]，[傍晚，小街]， [路面，小街], [湿润，小街]。
那么预测词的取值空间其实是整个词袋，因此预测某一个词可以被视为一个多分类问题，假如词袋一共有1000个词，那么其实wordvec的训练过程就是一个1000-类 分类问题。因此一般来说，词预测，也就是在神经网络的最后一层，使用softmax。


由于1000-类这样的分类问题显然直接用线性模型效率会非常低，何况一般的词袋都会有上万词，因此目前比较常用的方法是最后的输出层采用层次softmax将时间效率缩减到O(logn)，其本质是一棵霍夫曼树。详细的解释以及负采样可以看一下这篇：
https://blog.youkuaiyun.com/zhangxb35/article/details/74716245。
其实word2vec要求的并不是output layer，而是为了得到hidden layer，在训练结束后，隐层的权重矩阵其实是一个NxM的矩阵，N是词的个数，M是embedding的维度，这个矩阵才是我们想要训练出来的。word2vec的训练保证了相近词义的词在向量空间中的距离更近。这也避免了词袋模型不考虑语序和语义的问题。

1.2 基于CBOW的doc2vec

为了得到文档的向量表示，科学家给原来的模型增加了一个输入向量，即文档id。其背后的思想可以解释为，预测一个词与文档本身整体的含义是分不开的，这等于是我们阅读理解以前只考虑近距离上下文，现在需要加入文章的主题来理解一个词。模型图如下

该算法包括两个步骤：

• 在已有的文档上，训练词向量W, softmax 权重 U, b 以及文档向量 D。
• 如果有新的文档加入，那么推断环节就是保持W, U, b不变，只训练D。

2. Data introduction.

本文所用数据集为歌词数据，包含约14万条中文歌词，目的是为了不同歌手间的相同歌词去重（比如翻唱改编等）。因此采用先训练doc2vec，再将文本聚类，最终在类中进行歌词比对去重的方式。
数据格式为json，其中一条数据：

{
   
	"artist_id": 1,
	"author": "李宇春",
	"title": "Dance To The Music",
	"song_id": 119548568,
	"album_title": "1987我不知会遇见你",
	"album_id": 117854447,
	"language": "国语",
	"versions": NaN,
	"country": "内地",
	"area": 0.0,
	"file_duration": 215,
	"publishtime": "2014-7-30",
	"year": 2014.0,
	"month": 7.0,
	"date": 30.0,
	"publish_time": "2014/7/30",
	"hot": 2011,
	"listen_total": 378.0,
	"lyrics": {
   
		"status": "OK",
		"content": {
   
			"[00:02.00]": "Dance To The Music",
			"[00:04.00]": "作曲 张亚东",
			"[00:05.00]": "作词：李宇春",
			"[00:06.00]": "演唱：李宇春",
			"[00:08.00]": "",
			"[00:16.57]": "Dance to the music",
			"[00:20.64]": "Dance to the music",
			"[00:24.64]": "Dance to the music",
			"[00:28.78]": "Dance to the music",
			"[00:33.11]": "音乐要开最大声才够酷",
			"[00:36.65]": "酷毙那些熏陶出的严肃",
			"[00:41.20]": "跳级跳槽不如先跳个舞",
			"[00:45.20]": "踩着节奏慢半拍也挺态度",
			"[00:49.17]"<