词向量，英文名叫Word Embedding，在自然语言处理中，用于抽取语言模型中的特征，简单来说，就是把单词用一个向量来表示。最著名的Word Embedding模型应该是托马斯·米科洛夫（Tomas Mikolov）在Google带领的研究团队创造的Word2vec。
词向量的训练原理就是为了构建一个语言模型，我们假定一个词的出现概率是由它的上下问来决定的，那么我们找来很多的语素来训练这个模型，也就是通过上下文来预测某个词语出现的概率。
![âCBOW skip n gramâçå¾çæç´¢ç»æ]()
如上图所示，词嵌入向量的训练主要有两种模式：
- 连续词袋 CBOW， 在这个方法中，我们用出现在该单词的上下文的词来预测该单词出现的概率，如上图就是该单词的前两个和后两个。然后我们可以扫描全部的训练语素（所有的句子），对于每一次出现的词都找到对于的上下文的4个词，这样我们就可以构建一个训练集合来训练词向量了。
- Skip-Gram和CBOW正好相反，它是用该单词来预测前后的4个上下文的单词。注意这里和上面的4个都是例子，你可以选择上下文的长度。
那么训练出来的词向量它的含义是什么呢？
![âWord2Vec ä¸æâçå¾çæç´¢ç»æ]()
词向量是该单词映射到一个n维空间的表示，首先，所有的单词只有在表示为数学上的向量后在能参与神经网络的运算，其次，单词在空间中的位置反映了词与词之间的关系，距离相近的词可能意味着它们有相近的含义，或者经常一出现。
用神经网络构建语言模型的时候，Embedding常常是作为第一个层出现的，它就是从文本中提取数字化的特征。那么我们今天就看看如何利用TensorflowJS在训练一个词向量嵌入模型吧。
倒入文本
首先倒入我的文本，这里我的文本很简单，你可以替换任何你想要训练的文本
const sentence = "Mary and Samantha arrived at the bus station early but waited until noon for the bus.";
抽取单词和编码
然后，抽取文本中所有的单词序列，在自然语言处理中，Tokenize是意味着把文本变成序列，我这个例子中的单词的抽取用了很简单的regular expression，实际的应用中，你可以使用不同的自然语言处理库提供的Tokenize方法。TensorflowJS中并没有提供Tokenize的方法。（Tensorflow 中由提供 https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/keras/preprocessing/text/Tokenizer）
const tokenize = words => {
return words.match(/[^\s\.]+/g);
}
// tokenize
const tokens = tokenize(sentence);
单词序列如下：
["Mary", "and", "Samantha", "arrived", "at", "the", "bus", "station", "early", "but", "waited", "until", "noon", "for", "the", "bus"]
下一步我们要对所有的单词编码，也就是用数字来表示每一个单词
const encode = tokens => {
let encoding_map = {};
let decoding_map = {};
let index = 0;
tokens.map( token => {
if( !encoding_map.hasOwnProperty(token) ) {
const pair = {};
const unpair = {};
pair[token] = index;
unpair[index] = token;
encoding_map = {...encoding_map, ...pair};
decoding_map = {...decoding_map, ...unpair};
index++;
}
})
return {
map: encoding_map,
count: index,
encode: function(word) {
return encoding_map[word];
},
decode: function(index) {
return decoding_map[index];
}
};
}
const encoding = encode(tokens);
const vocab_size = encoding.count;
编码的方式很简单，我们统计每一个出现的单词，然后给每一个单词一个对应的数字。我们使用了两个map，一个存放从单词到数字索引的映射，另一个存放相反的从索引到单词的映射。这个例子中，一种出现了14个单词，那么索引的数字就是从0到13。
准备训练数据
下一步，我们来准备训练数据：
const to_one_hot = (index, size) => {
return tf.oneHot(index, size);
}
// training data
const data = [];
const window_size = 2 + 1;
for ( let i = 0; i < tokens.length; i ++ ) {
const token = tokens[i];
for ( let j = i - window_size; j < i + window_size; j ++) {
if ( j >= 0 && j !=i && j < tokens.length) {
data.push( [ token, tokens[j]] )
}
}
}
const x_train_data = [];
const y_train_data = [];
data.map( pair => {
x = to_one_hot(encoding.encode(pair[0]), vocab_size);
y = to_one_hot(encoding.encode(pair[1]), vocab_size);
x_train_data.push(x);
y_train_data.push(y);
})
const x_train = tf.stack(x_train_data);
const y_train = tf.stack(y_train_data);
console.log(x_train.shape);
console.log(y_train.shape);
one_hot encoding是一种常用的编码方式，例如，对于索引为2的单词，它的one_hot encoding 就是[0,0,1 .... 0], 就是索引位是1其它都是0 的向量，向量的长度和所有单词的数量相等。这里我们定义的上下文滑动窗口的大小为2，对于每一个词，找到它的前后出现的4个单词构成4对，用该词作为训练的输入，上下文的四个词作为目标。（注意在文首尾出的词上下文不足四个）
0: (2) ["Mary", "and"]
1: (2) ["Mary", "Samantha"]
2: (2) ["and", "Mary"]
3: (2) ["and", "Samantha"]
4: (2) ["and", "arrived"]
5: (2) ["Samantha", "Mary"]
6: (2) ["Samantha", "and"]
7: (2) ["Samantha", "arrived"]
8: (2) ["Samantha", "at"]
9: (2) ["arrived", "Mary"]
10: (2) ["arrived", "and"]
... ...
训练集合如上图所示，第一个词是训练的输入，第二次的训练的目标。我们这里采用的方法类似Skip-Gram，因为上下文是预测对象。
模型构建和训练
训练集合准备好，就可以用开始构建模型了。
const build_model = (input_size,output_size) => {
const model = tf.sequential();
model.add(tf.layers.dense({
units: 2, inputShape: output_size, name:'embedding'
}));
model.add(tf.layers.dense(
{units: output_size, kernelInitializer: 'varianceScaling', activation: 'softmax'}));
return model;
}
const model = build_model(vocab_size, vocab_size);
model.compile({
optimizer: tf.train.adam(),
loss: tf.losses.softmaxCrossEntropy,
metrics: ['accuracy'],
});
我们的模型很简单，是一个两层的神经网络，第一层就是我们要训练的嵌入层，第二层是一个激活函数为Softmax的Dense层。因为我们的目标是预测究竟是哪一个单词，其实就是一个分类问题。这里要注意得是我是用的嵌入层的unit是2，也就是说训练的向量的长度是2，实际用户可以选择任何长度的词向量空间，这里我用2是为了便于下面的词向量的可视化，省去了降维的操作。
训练的过程也很简单：
const batchSize = 16;
const epochs = 500;
model.fit(x_train, y_train, {
batchSize,
epochs,
shuffle: true,
});
可视化词向量
训练完成后，我们可以利用该模型的embeding层来生成每一个单词的嵌入向量。然后在二维空间中展示。
// visualize embedding layer
const embedding_layer = model.getLayer('embedding');
const vis_model = tf.sequential();
vis_model.add(embedding_layer);
const vis_result = vis_model.predict(predict_inputs).arraySync();
console.log(vis_result);
const viz_data = [];
for ( let i = 0; i < vocab_size; i ++ ) {
const word = encoding.decode(i);
const pos = vis_result[i];
console.log(word,pos);
viz_data.push( { label:word, x:pos[0], y :pos[1]});
}
const chart = new G2.Chart({
container: 'chart',
width: 600,
height: 600
});
chart.source(viz_data);
chart.point().position('x*y').label('label');
chart.render();
生成的词向量的例子如下：
"Mary" [-0.04273216053843498, -0.18541619181632996]
"and" [0.09561611711978912, -0.29422900080680847]
"Samantha" [0.08887559175491333, 0.019271137192845345]
"arrived" [-0.47705259919166565, -0.024428391829133034]
可视化关系如下图：
![]()
总结
词向量嵌入常常是自然语言处理的第一步操作，用于提取文本特征。我们演示了如何训练一个模型来构建词向量。当然实际操作中，你可以直接使用https://js.tensorflow.org/api/latest/#layers.embedding 来构建你的文本模型，本文是为了演示词向量的基本原理。代码参见https://codepen.io/gangtao/full/jJqbQb
参考
