在Keras模型中使用预训练的词向量

转自：wuwt.me/2017/08/21/pre-trained-embedding-keras/

代码下载：https://github.com/keras-team/keras/blob/2.0.5/examples/pretrained_word_embeddings.py

“词向量”(词嵌入)是将一类词的语义映射到向量空间中的自然语言处理技术。即将一个词用特定的向量来表示，向量之间的距离(例如，任意两个向量之间的L2范式距离或更常用的余弦距离)一定程度上表征了词之间的语义关系。由这些向量形成的几何空间被称为一个嵌入空间。

例如，“椰子”和“北极熊”是语义上完全不同的词，所以它们的词向量在一个合理的词嵌入空间的距离会非常遥远。但“厨房”和“晚餐”是相关的话，所以它们的词向量之间的距离会相对小。

理想的情况下，在一个良好的嵌入空间里，从“厨房”向量到“晚餐”向量的“路径”向量会精确地捕捉到这两个概念之间的语义关系。在这种情况下，“路径”向量表示的是“发生的地点”，所以你会期望“厨房”向量-“晚餐”向量(两个词向量的差异)捕捉到“发生的地点”这样的语义关系。基本上，我们应该有向量等式：晚餐+发生的地点=厨房(至少接近)。如果真的是这样的话，那么我们可以使用这样的关系向量来回答某些问题。例如，应用这种语义关系到一个新的向量，比如“工作”，我们应该得到一个有意义的等式，工作+发生的地点=办公室，来回答“工作发生的地点在哪里？”。

词向量通过降维技术表征文本数据集中的词的共现信息。方法包括神经网络(“word2vec”技术)，或矩阵分解。

Glove词向量与数据集

本文使用GloVe词向量。Glove是”Global Vectors for Word Representation”的缩写，一种基于共现矩阵分解的词向量。本文使用的Glove词向量是在2014年的英文维基百科上训练，有400k个不同的词，每个词用100维向量表示。点此下载(友情提示，词向量文件大小约为822M)。

本文使用的数据集时著名的“20 Newsgroup dataset”。该数据集共有20种新闻文本数据，我们将实现对该数据集的文本分类任务。数据集的说明和下载请参这里。

不同类别的新闻包含大量不同的单词，在语义上存在极大的差别。一些新闻类别如下所示

comp.sys.ibm.pc.hardware

comp.graphics

comp.os.ms-windows.misc

comp.sys.mac.hardware

comp.windows.x

rec.autos

rec.motorcycles

rec.sport.baseball

rec.sport.hockeycomp.os.ms-windows.misc

comp.sys.mac.hardware

comp.windows.x

rec.autos

rec.motorcycles

rec.sport.baseball

rec.sport.hockey

实验方法

以下使我们如何解决分类问题的步骤

将所有新闻样本转化为词索引序列。所谓词索引就是为每一个词一次分配一个整数ID。遍历所有的新闻文本，我们只保留常见的20000个词，而且每个新闻文本最多保留1000个词。
生成一个词向量矩阵。第i列表示词索引为i的词的词向量。
将词向量矩阵载入Keras Embedding层，设置该层的权重不可在训练(也就是说在之后的网络训练过程中，词向量不再改变)。
Keras Embedding层之后连接一个1D的卷积层，并用一个softmax全连接输出新闻类别

数据预处理

我们首先遍历语料文件下的所有文件夹，获得不同类别的新闻以及对应的类别标签，代码如下

texts = []  #新闻样本内容列表
labels_index = {}  # 标签名字和id映射表
labels = []  # 标签id
for name in sorted(os.listdir(TEXT_DATA_DIR)):
    path = os.path.join(TEXT_DATA_DIR, name)
    if os.path.isdir(path):
        label_id = len(labels_index)
        labels_index[name] = label_id
        for fname in sorted(os.listdir(path)):
            if fname.isdigit():
                fpath = os.path.join(path, fname)
                f = open(fpath)
                texts.append(f.read())
                f.close()
                labels.append(label_id)

print('Found %s texts.' % len(texts))

之后，我们可以将新闻样本转化为神经网络训练所用的张量。所用到的Keras库是keras.preprocessing.text.Tokenizer和keras.preprocessing.sequence.pad_sequences。代码如下

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences

tokenizer = Tokenizer(nb_words=MAX_NB_WORDS)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)

word_index = tokenizer.word_index
print('Found %s unique tokens.' % len(word_index))

data = pad_sequences(sequences, maxlen=MAX_SEQUENCE_LENGTH)

labels = to_categorical(np.asarray(labels))
print('Shape of data tensor:', data.shape)
print('Shape of label tensor:', labels.shape)

# 切分成测试集和验证集
indices = np.arange(data.shape[0])
np.random.shuffle(indices)
data = data[indices]
labels = labels[indices]
nb_validation_samples = int(VALIDATION_SPLIT * data.shape[0])

x_train = data[:-nb_validation_samples]
y_train = labels[:-nb_validation_samples]
x_val = data[-nb_validation_samples:]
y_val = labels[-nb_validation_samples:]

Embedding layer 设置

接下来，我们从Glove文件中解析出每个词和它所对应的词向量，并用字典的方式存储

embeddings_index = {}
f = open(os.path.join(GLOVE_DIR, 'glove.6B.100d.txt'))
for line in f:
    values = line.split()
    word = values[0]
    coefs = np.asarray(values[1:], dtype='float32')
    embeddings_index[word] = coefs
f.close()

print('Found %s word vectors.' % len(embeddings_index))

此时，我们可以根据得到的字典生成上文所定义的词向量矩阵

embedding_matrix = np.zeros((len(word_index) + 1, EMBEDDING_DIM))
for word, i in word_index.items():
    embedding_vector = embeddings_index.get(word)
    if embedding_vector is not None:
        # words not found in embedding index will be all-zeros.
        embedding_matrix[i] = embedding_vector

现在我们将这个词向量举证加载到Embedding 层中，注意，我们设置trainable=False使得这个编码层不可再训练。

from keras.layers import Embedding

embedding_layer = Embedding(len(word_index) + 1,
                            EMBEDDING_DIM,
                            weights=[embedding_matrix],
                            input_length=MAX_SEQUENCE_LENGTH,
                            trainable=False)

一个Embedding层的输入应该是一系列的整数序列，比如一个2D的输入，它的shape值为(samples,indices)，也就是一个samples行，indices列的矩阵。每一次的batch训练的输入应该被padded成相同大小(尽管Embedding层有能力处理不定长序列，如果你不指定数列长度这一参数dim)。所有的序列中的整数都被对应的词向量矩阵中的对应的列(也就是它的词向量)代替，比如序列[1,2]将被序列词向量1，词向量2代替。这样，输入一个2D张量后，我们可以得到一个3D张量。

训练1D卷积

最后，我们可以使用一个小型的1D卷积解决这个新闻分类的问题。

sequence_input = Input(shape=(MAX_SEQUENCE_LENGTH,), dtype='int32')
embedded_sequences = embedding_layer(sequence_input)
x = Conv1D(128, 5, activation='relu')(embedded_sequences)
x = MaxPooling1D(5)(x)
x = Conv1D(128, 5, activation='relu')(x)
x = MaxPooling1D(5)(x)
x = Conv1D(128, 5, activation='relu')(x)
x = MaxPooling1D(35)(x)  # global max pooling
x = Flatten()(x)
x = Dense(128, activation='relu')(x)
preds = Dense(len(labels_index), activation='softmax')(x)

model = Model(sequence_input, preds)
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['acc'])

# happy learning!
model.fit(x_train, y_train, validation_data=(x_val, y_val),
          nb_epoch=2, batch_size=128)

在两次迭代后，这个模型最后可以达到0.95的分类准确率(4:1分割训练和测试集合)。你可以利用正则方法(例如dropout)或在Embedding层上进行fine-tuning获得更高的准确率。

我们可以做一个对比实验，直接使用Keras自带的Embedding层训练词向量而不用Glove向量。代码如下所示

embedding_layer = Embedding(len(word_index) + 1,
                            EMBEDDING_DIM,
                            input_length=MAX_SEQUENCE_LENGTH)

两次迭代之后，我们可以得到0.9的准确率。所以使用预训练的词向量作为特征非常有效的。一般来说，在自然语言处理任务中，当样本数量非常少时，使用预训练的词向量是可行的(实际上，预训练的词向量引入外部语义信息，往往对模型很有帮助)。

以下部分为译者添加

国内的Rachel-Zhang用sklearn对同样的数据集做个基于传统机器学习算法的实验，请点击这里。同时Richard Socher等在那篇论文中提出GloVe词向量，指出GloVe词向量比word2vec的性能更好1,之后的研究表示word2vec和GloVe其实各有千秋，例如Schnabel等提出了用于测评词向量的各项指标，测评显示 word2vec在大部分测评指标优于GloVe和C&W词向量2。本文实现其实可以利用谷歌新闻的word2vec词向量再做一组测评实验。

参考文献

文章转载自《http://blog.keras.io/using-pre-trained-word-embeddings-in-a-keras-model.html》作者 Francois Chollet