第1关：向量化算法 word2vec

任务描述

本关任务：根据本关所学有关 word2vec 算法的知识，完成基于 gensim 模块进行文本相似度比较的程序的编写并通过所有测试用例。

相关知识

为了完成本关任务，你需要掌握：

1. 文本向量化的具体含义；

2. word2vec 算法的几种模型。

文本向量化概述

文本表示是自然语言处理中的基础工作，文本表示的好坏直接影响到整个自然语言处理系统的性能。文本向量化就是将文本表示成一系列能够表达文本语义的向量，是文本表示的一种重要方式。目前对文本向量化大部分的研究都是通过词向量化实现的，也有一部分研究者将句子作为文本处理的基本单元，于是产生了 doc2vec 和 str2vec 技术。

word2vec 算法

词袋（ Bag Of Word ）模型是最早的以词语为基础处理单元的文本向量化方法。该模型产生的向量与原来文本中单词出现的顺序没有关系，而是词典中每个单词在文本中出现的频率。该方法虽然简单易行，但是存在如下三个方面的问题：维度灾难、无法保留词序信息、存在语义鸿沟。

随着互联网技术的发展，大量无标注数据的产生，研究重心转移到利用无标注数据挖掘有价值的信息上来。词向量（ word2vec ）技术就是为了利用神经网络，从大量无标注的文本中提取有用的信息而产生的。

词袋模型只是将词语符号化，所以词袋模型是不包含任何语义信息的。如何使“词表示”包含语义信息是该领域研究者面临的问题。分布假设的提出为解决上述问题提供了理论基础。该假设的核心思想是：上下文相似的词，其语义也相似。随后有学者整理了利用上下文表示词义的方法，这类方法就是有名的词空间模型。通过语言模型构建上下文与目标词之间的关系，是一种常见的方法，神经网络词向量模型就是根据上下文与目标词之间的关系进行建模。接下来，我们将介绍三种常见的生成词向量的神经网络模型。

神经网络语言模型

神经网络语言模型（Neural Network Language Model，NNLM）与传统方法估算的不同在于直接通过一个神经网络结构对 n 元条件概率进行估计。由于 NNLM 模型使用低维紧凑的词向量对上下文进行表示，解决了词袋模型带来的数据稀疏、语义鸿沟等问题。另一方面，在相似的上下文语境中，NNLM 模型可以预测出相似的目标词，而传统模型无法做到这一点。NNLM 模型的基本结构如图1所示。

图 1 NNLM 语言模型图

进行神经网络模型的训练时，目标是进行词的概率预测，就是在词环境下，预测下一个该是什么词，目标函数为 L(θ)=∑t​logP(Wt​∣Wt−n+1​,...Wt−1) ，通过对网络训练一定程度后，最后的模型参数就可当成词向量使用。

C&W 模型

NNLM 模型的目标是构建一个语言概率模型，而 C&W 则是以生成词向量为目标的模型。在 NNLM 模型的求解中，最费时的部分当属隐藏层到输出层的权重计算。由于 C&W 模型没有采用语言模型的方式去求解词语上下文的条件概率，而是直接对 n 元短语打分，这是一种更为快速获取词向量的方式。C&W 模型的结构如图2所示。

图 2 C&W 模型结构图

C&W 模型的核心机理是：如果 n 元短语在语料库中出现过，那么模型会给该短语打高分；如果是未出现在语料库中的短语则会得到较低的评分。

CBOW 模型和 Skip-gram 模型

为了更高效地获取词向量，有研究者在 NNLM 和 C&W 模型的基础上保留其核心部分，得到了 CBOW（Continuous Bag of-Words) 模型和 Skip-gram 模型，下面将介绍这两种模型。 1、CBOW 模型 CBOW 模型如图3所示，由图易知，该模型使用一段文本的中间词作为目标词；同时，CBOW 模型去掉了隐藏层，这大幅提升了运算速率。此外，CBOW 模型使用上下文各词的词向量的平均值替代 NNLM 模型各个拼接的词向量。由于 CBOW 模型去除了隐藏层，所以其输入层就是语义上下文的表示。

图 3 CBOW 模型图

2、Skip-gram 模型 Skip-gram 模型的结构如图4所示，由图可知， Skip-gram 模型同样没有隐藏层。但与 CBOW 模型输入上下文词的平均词向量不同， Skip-gram 模型是从目标词 ω 的上下文中选择个词，将其词向量组成上下文的表示。

图 4 Skip-gram 模型图

Skip-gram 和 CBOW 实际上是 word2vec 两种不同思想的实现： CBOW 的目标是根据上下文来预测当前词语的概率，且上下文所有的词对当前词出现概率的影响的权重是一样的，因此叫 continuous bag-of-words 模型。Skip-gram 刚好相反，其是根据当前词语来预测上下文概率的。

Gensim 中的 Word2vec

在 gensim 中，word2vec 相关的 API 都在包 gensim.models.word2vec 中，和算法有关的参数都在类 gensim.models.word2vec.Word2Vec 中，使用方法为：

1. from gensim.models import word2vec
2. model = word2vec.Word2Vec(sentences, hs=1,min_count=1,window=3,size=100)

在函数word2vec.Word2Vec(sentences, hs,min_count,window,size)中，各个参数的具体含义为：

• sentences：我们要分析的语料，可以是一个列表，或者从文件中遍历读出；
• hs：即我们的 word2vec 两个解法的选择了，如果是 0， 则是 Negative Sampling，是 1 的话并且负采样个数 negative 大于 0， 则是 Hierarchical Softmax。默认是 0 即 Negative Sampling；
• min_count：需要计算词向量的最小词频。这个值可以去掉一些很生僻的低频词，默认是 5。如果是小语料，可以调低这个值；
• window：即词向量上下文最大距离，这个参数在我们的算法原理篇中标记为 c，window 越大，则和某一词较远的词也会产生上下文关系。默认值为 5。在实际使用中，可以根据实际的需求来动态调整这个 window 的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在 [5，10] 之间；
• size：词向量的维度，默认值是 100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于 100M 的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。

编程要求

在右侧编辑器中的 Begin-End 之间补充 Python 代码，使用 gensim 模块构建 word2vec 模型，从而对所输入文本进行相似度比较，并输出比较结果。其中，训练文本由后台给定，需要比较的文本通过 input 从后台获取。

测试说明

平台将使用测试集运行你编写的程序代码，若全部的运行结果正确，则通关。

测试输入：《人民的名义》中的人名

1. 钟小艾
2. 侯亮平

预期输出：

1. 相近度高达85%以上

import logging  
from gensim.models import word2vec
def getmodel():  
  logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
  sentences = word2vec.LineSentence('./in_the_name_of_people_segment.txt')  
# 任务：使用 gensim 模块中的word2vec对sentences文本构建合适的word2vec模型，并保存到model变量中，使得文本中的人名相近度达0.9以上。  
# ********** Begin *********#
  model = word2vec.Word2Vec(sentences, hs=1, min_count=1, window=3, size=100)
# ********** End **********#  
  return model