词嵌入数据集的预处理--Word2Vec实现(一)

文章目录

- 用于预训练词嵌入的数据集

用于预训练词嵌入的数据集

在本节中，我们从用于预训练词嵌入模型的数据集开始：

数据的原始格式将被转换为可以在训练期间迭代的小批量。

将准备用于训练word2vec模型。

import math
import os
import random
import torch
import numpy as np
from d2l import torch as d2l

正在读取数据集

此时读取的数据集为 Penn Tree Bank（PTB）。该语料库取自“华尔街日报”的文章，分为训练集、验证集和测试集。在原始格式中，文本文件的每一行表示由空格分隔的一句话。在这里，我们将每个单词视为一个词元。

# 将 Penn Tree Bank 保存到数据集字典中
d2l.DATA_HUB['ptb'] = (d2l.DATA_URL + 'ptb.zip',
                      '319d85e578af0cdc590547f26231e4e31cdf1e42')

def read_ptb():
    """将 PTB 数据集加载到文本行的列表中"""
    data_dir = d2l.download_extract('ptb')
    
    #读取数据集
    with open(os.path.join(data_dir, 'ptb.train.txt')) as f:
        raw_text = f.read()
    
    # 将所有的句子文本信息转化为tokens数组
    return [line.split() for line in raw_text.split('\n')]

sentences = read_ptb()

print(f'# sentences数: {
      
      len(sentences)}')

# sentences数: 42069

在读取训练集之后，我们为语料库构建了一个词表，其中出现次数少于10次的任何单词都将由“<unk>”词元替换。请注意，原始数据集还包含表示稀有（未知）单词的“<unk>”词元。

# 根据tokens数组构建词典
vocab = d2l.Vocab(sentences, min_freq=10)
print(f'vocab size: {
      
      len(vocab)}')

vocab size: 6719

下采样

文本数据通常有“the”、“a”和“in”等高频词：它们在非常大的语料库中甚至可能出现数十亿次。然而，这些词经常在上下文窗口中与许多不同的词共同出现，提供的有用信息很少。例如，考虑上下文窗口中的词“chip”：直观地说，它与低频单词“intel”的共现比与高频单词“a”的共现在训练中更有用。此外，大量（高频）单词的训练速度很慢。因此，当训练词嵌入模型时，可以对高频单词进行下采样 [Mikolov et al., 2013b]。具体地说，数据集中的每个词将有 $w_{i}$ 概率地被丢弃

$P(w_{i}) = max(1 - \sqrt{\frac{t}{f(w_{i})}}, 0)$

其中， $f(w_{i})$ 是 $w_{i}$ 的词数与数据集中的总词数的比率，常量 $t$ 是超参数(实验中为 $10^{-4}$ )，由上式我们可知，只有当 $f(w_{i}) > t$ 时，高频词 $w_{i}$ 才能被丢弃，且该词的相对比率越高，被丢弃的概率就越大。

def subsample(sentences, vocab):
    """下采样高频词"""
    # 排除未知词元 '<unk>'
    sentences = [[token for token in line if vocab[token] != vocab.unk]
                 for line in sentences]
    
    # 统计这些tokens出现的频率，并以降序进行排序
    counter = d2l.count_corpus(sentences)
    # 所有出现tokens的总数
    num_tokens = sum(counter.values())
    
    # 如果在下采样期间保留词元，则返回True
    def keep(token):
        
        # 其中random.uniform(0, 1)是随机设定的数，
        # math.sqrt(1e-4 / counter[token] * num_tokens)越大，即越不容易让舍弃
        # 所以此处符合条件时，会返回True，代表保留该词元
        return (random.uniform(0, 1) < math.sqrt(1e-4 / counter[token] * num_tokens))
        
    return ([[token for token in line if keep(token)] for line in sentences], counter)

# 返回下采样后的tokens和tokens频率counter
subsampled, counter = subsample(sentences, vocab)

下面的代码片段绘制了下采样前后每句话的词元数量的直方图。正如预期的那样，下采样通过删除高频词来显著缩短句子，这将使训练加速。

d2l.show_list_len_pair_hist(['origin', 'subsampled'], '# tokens per sentence', 'count',
                           sentences, subsampled)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MGE48Mr5-1667875677015)(output_13_0.svg)]

对于单个词元，高频词“the”的采样率不到1/20。

def compare_counts(token):
    return (f'"{
      
      token}"的数量:'
           f'之前={
      
      sum([l.count(token) for l in sentences])},'
           f'之后={
      
      sum([l.count(token) for l in subsampled])}')

compare_counts('the')

'"the"的数量:之前=50770,之后=1946'

相比之下，低频词“join”则被完全保留。

compare_counts('join')

'"join"的数量:之前=45,之后=45'

在下采样之后，我们将词元映射到它们在语料库中的索引。

corpus = [vocab[line] for line in subsampled]
corpus[:3]

[[], [392, 2115], [22, 5277, 3054, 1580, 95]]

中心词和上下文词的提取

下面的 get_centers_and_contexts 函数从corpus中提取所有中心词及其上下文词。它随机采样1到max_window_size之间的整数作为上下文窗口。对于任一中心词，与其距离不超过采样上下文窗口大小的词为其上下文词。

def get_centers_and_contexts(corpus, max_window_size):
    """返回跳元模型中的中心词和上下文词"""
    centers, contexts = [], []
    
    for line in corpus:
        # 要形成”中心词-上下文词“对，每个句子至少需要有两个词
        if len(line) < 2:
            continue
            
        centers += line                   # line中的每一个词均要作为中心词
        
        # 上下文窗口中间 i
        for i in range(len(line)):
            
            # 随机取得窗口大小
            window_size = random.randint(1, max_window_size)
            
            # 获取单个词的下标信息，并作边界判断，防止列表下溢或者上溢
            indices = list(range(max(0, i - window_size), 
                                 min(len(line), i + 1 + window_size)))
            
            # 从上下文词中排除中心词
            indices.remove(i)
            
            # 将上下文词加入到contexts列表之中
            contexts.append([line[idx] for idx in indices])
    
    # 返回中心词和上下文词列表
    return centers, contexts

接下来，我们创建一个人工数据集，分别包含7个和3个单词的两个句子。设置最大上下文窗口大小为2，并打印所有中心词及其上下文词。

tiny_dataset = [list(range(7)), list(range(7, 10))]
print('数据集', tiny_dataset)

for center, context in zip(*get_centers_and_contexts(tiny_dataset, 2)):
    print('中心词', center, '的上下文词时是', context)

print(get_centers_and_contexts(tiny_dataset, 2))

数据集 [[0, 1, 2, 3, 4, 5, 6], [7, 8, 9]]
中心词 0 的上下文词时是 [1, 2]
中心词 1 的上下文词时是 [0, 2, 3]
中心词 2 的上下文词时是 [1, 3]
中心词 3 的上下文词时是 [2, 4]
中心词 4 的上下文词时是 [2, 3, 5, 6]
中心词 5 的上下文词时是 [4, 6]
中心词 6 的上下文词时是 [4, 5]
中心词 7 的上下文词时是 [8]
中心词 8 的上下文词时是 [7, 9]
中心词 9 的上下文词时是 [8]
([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], [[1], [0, 2, 3], [0, 1, 3, 4], [1, 2, 4, 5], [3, 5], [4, 6], [4, 5], [8, 9], [7, 9], [8]])

在 PTB 数据集上进行训练时，我们将最大上下文窗口大小设置为 5。下面提取数据集的所有中心词及其上下文词。

all_centers, all_contexts = get_centers_and_contexts(corpus, 5)
print(f'# "中心词-上下文对"的数量: {
      
      len(all_centers)}')

# "中心词-上下文对"的数量: 342766

负采样

我们使用负采样进行近似训练。为了根据预定义的分布对噪声词进行采样，我们定义以下的 RandomGenerator 类，其中(可能未规范化的)采样分布通过变量 sampling_weights 传递。

class RandomGenerator:
    """根据 n 个采样权重在{1, ..., n}中随机抽取"""
    def __init__(self, sampling_weights):
        # Exclude
        self.population = list(range(1, len(sampling_weights) + 1))   # 返回一个 [1, 2, ..., n]的列表
        self.sampling_weights = sampling_weights                      # 采样的权重列表
        self.candidates = []                                          # 用以缓存k个抽取结果
        self.i = 0                                                    # 表示candidata中缓存的个数
        

    def draw(self):
        if self.i == len(self.candidates):
            # 缓存k个随机采样结果
            # random.choices(population,weights=None,*,cum_weights=None,k=1)函数
            # population：集群
            # weights：相对权重
            # k：选取次数
            self.candidates = random.choices(
                self.population, self.sampling_weights, k=10000)
            self.i = 0
        self.i += 1
        return self.candidates[self.i - 1]

例如，我们可以在索引1、2和3中绘制10个随机变量 $X$ ，采样概率为 $P (X = 1) = 2/9, P (X = 2) = 3/9$ 和 $P (X = 3) = 4/9$ ，如下所示。

generator = RandomGenerator([2, 3, 4])

[generator.draw() for _ in range(10)]

[3, 3, 2, 2, 3, 3, 1, 3, 1, 1]

def get_negatives(all_contexts, vocab, counter, k):
    """返回负采样中的噪声词"""
    # 索引为 1, 2, ... (索引 0 是词表中排除的未知标记)
    sampling_weights = [counter[vocab.to_tokens(i)]**0.75 for i in range(1, len(vocab))]
    all_negatives, generator = [], RandomGenerator(sampling_weights)
    
    for contexts in all_contexts:
        negatives = []
        
        while len(negatives) < len(contexts) * k:              # 生成 k * len(contexts)个噪声词
            neg = generator.draw()
            # 噪声词不能是上下文词
            if neg not in contexts:                            # 且噪声词不能是上下文词
                negatives.append(neg)
                
        all_negatives.append(negatives)                         # 追加上下文噪声词至所有噪声词的列表
    
    # 返回总的噪声词列表
    return all_negatives

生成所有上下文词的噪声词。

all_negatives = get_negatives(all_contexts, vocab, counter, 5)

小批量

def batchify(data):
    """返回带有负采样的跳元模型的小批量样本"""
    max_len = max(len(c) + len(n) for _, c, n in data)                # 找出最大的context和negative组合
    # 中心词、上下文和负采样、掩蔽、标签
    # 掩蔽mask用以将填充的词置为 0 
    # 标签label用以将context上下文词置1， 其余置 0
    centers, contexts_negatives, masks, labels = [], [], [], []
    
    for center, context, negative in data:
        cur_len = len(context) + len(negative)                        # cur_len表示context和negative有效长度
        centers += [center]                                           # centers存放所有中心词
        
        # contexts_negatives存放上下文词和负采样样本的连接
        contexts_negatives += [context + negative + [0] * (max_len - cur_len)]
        
        masks += [[1] * cur_len + [0] * (max_len - cur_len)]          # masks用以区分填充词元
        
        # label用以区分 上下文词元的位置
        labels += [[1] * len(context) + [0] * (max_len - len(context))]
        
    # 返回批量数据
    return (torch.tensor(centers).reshape((-1, 1)), torch.tensor(contexts_negatives),
            torch.tensor(masks), torch.tensor(labels))

让我们使用一个小批量的两个样本来测试此函数。

x_1 = (1, [2, 2], [3, 3, 3, 3])
x_2 = (1, [2, 2, 2], [3, 3])
batch = batchify((x_1, x_2))

names = ['centers', 'contexts_negatives', 'masks', 'labels']
for name, data in zip(names, batch):
    print(name, '=', data)

centers = tensor([[1],
        [1]])
contexts_negatives = tensor([[2, 2, 3, 3, 3, 3],
        [2, 2, 2, 3, 3, 0]])
masks = tensor([[1, 1, 1, 1, 1, 1],
        [1, 1, 1, 1, 1, 0]])
labels = tensor([[1, 1, 0, 0, 0, 0],
        [1, 1, 1, 0, 0, 0]])

整合代码

#@save
def load_data_ptb(batch_size, max_window_size, num_noise_words):
    """下载PTB数据集，然后将其加载到内存中"""
#     num_workers = d2l.get_dataloader_workers()
    
    # 读取数据集，返回tokens列表
    sentences = read_ptb()
    
    # 根据tokens列表和最小频率数构建词典
    vocab = d2l.Vocab(sentences, min_freq=10)
    
    # 进行下采样，并统计词频
    subsampled, counter = subsample(sentences, vocab)
    
    # 根据下采样的结果生成词元索引的列表
    corpus = [vocab[line] for line in subsampled]
    
    # 根据词元索引的列表生成中心词列表和上下文列表
    all_centers, all_contexts = get_centers_and_contexts(
        corpus, max_window_size)
    
    # 进行负采样，生成噪声词
    all_negatives = get_negatives(
        all_contexts, vocab, counter, num_noise_words)

    class PTBDataset(torch.utils.data.Dataset):
        def __init__(self, centers, contexts, negatives):
            assert len(centers) == len(contexts) == len(negatives)
            self.centers = centers
            self.contexts = contexts
            self.negatives = negatives

        def __getitem__(self, index):
            return (self.centers[index], self.contexts[index],
                    self.negatives[index])

        def __len__(self):
            return len(self.centers)

    dataset = PTBDataset(all_centers, all_contexts, all_negatives)
    
    # 生成数据迭代器
    data_iter = torch.utils.data.DataLoader(
        dataset, batch_size, shuffle=True,
        collate_fn=batchify)
    
    # 返回数据迭代器和词表
    return data_iter, vocab

让我们打印数据迭代器的第一个小批量。

data_iter, vocab = load_data_ptb(512, 5, 5)

for batch in data_iter:
    for name, data in zip(names, batch):
        print(name, 'shape:', data.shape)
    break

centers shape: torch.Size([512, 1])
contexts_negatives shape: torch.Size([512, 60])
masks shape: torch.Size([512, 60])
labels shape: torch.Size([512, 60])

小结

1、高频词在训练中可能不是那么有用。我们可以对他们进行下采样，以便在训练中加快速度。

2、为了提高计算效率，我们以小批量方式加载样本。我们可以定义其他变量来区分填充标记和非填充标记，以及正例和负例。