nlp与知识图谱代码解读_词嵌入

词嵌入

简单原理

可以使用一些比喻和生活中的例子：

---

老师： 你们还记得玩乐高积木的时候，每个积木块代表了一个特定的事物或形状吗？现在，想象一下，每个词都像是一个乐高积木。我们要做的是为每个积木找到一个特殊的地方，这样它们就可以和其他积木在某种方式上连接起来。

词嵌入就像是为每个词找一个特定的地方或位置，但这个“地方”不是在房间里，而是在一个叫做“嵌入空间”的地方。

学生A： “嵌入空间”是什么？

老师： 好问题！嵌入空间就像一个大大的游乐场。每个词都有自己的一个小小的位置，这个位置由一些数字决定。比如，“猫”可能在游乐场的旋转木马旁边，而“狗”可能在滑梯旁边。这些位置是用数字来表示的，所以“猫”可能是[0.5, 2.3]，而“狗”可能是[0.6, 2.1]。

这些位置不是随机选择的。词之间的关系决定了它们在游乐场中的位置。例如，因为“猫”和“狗”都是宠物，所以它们的位置会很接近。但“猫”和“汽车”可能就相距很远，因为它们是不同类别的事物。

学生B： 那我们是怎么知道每个词的位置的呢？

老师： 很好的问题！我们使用计算机和特殊的算法。我们把很多句子和文本输入到计算机中，计算机会查看哪些词经常一起出现，然后根据这些信息决定它们在游乐场中的位置。

比如，“奶”和“饼干”在很多句子中都一起出现，所以计算机会认为它们应该在游乐场的同一个地方或附近。

学生C： 那为什么我们要做这个呢？

老师： 好问题！当我们给计算机很多文本时，我们希望它能理解这些文本的意思。但计算机不懂“猫”或“狗”的真正意思，它只懂数字。所以，我们把每个词转换成数字，这样计算机就可以理解它们了。通过这种方式，计算机可以帮助我们回答问题、写文章或者做其他有趣的事情！

---

既然计算机不懂什么是“猫”和“狗”，那计算机如何将“猫”和“狗”的数字设置的近一些呢？

---

很好的问题！确实，计算机本身并不知道“猫”和“狗”的具体含义，但它可以通过分析大量的文本数据来识别这两个词语之间的关联。下面我会用一个简单的例子来解释这个过程。

---

老师： 让我们想象一个游戏：你在读很多的故事书，但是每次你只看两个连在一起的词。比如：“猫在”, “在睡觉”, “狗在”, “在追”。你可能会注意到，“猫”和“狗”经常都跟“在”这个词后面。

现在，假设我们有一个大篮子，里面放着很多词的卡片。开始时，这些卡片都随机地放在篮子里。每次你读到两个连在一起的词，你就把这两张卡片放得更近一些。

经过很多次这样的操作后，你会发现那些经常在故事里连在一起的词卡片会聚集在一起。所以，“猫”和“狗”可能会因为它们经常与相似的词语连在一起，而被放得很近。

计算机在进行词嵌入的时候，也是做了类似的事情。它看了大量的句子，每次只注意那些靠近的词。然后，它会调整每个词的数字位置，使得经常在一起出现的词更加接近。

通过这种方式，即使计算机不知道“猫”和“狗”的真实含义，它也能知道这两个词在很多情境中是相似或有关的，所以应该放得近一些。

---

希望这个解释能帮助你理解计算机是如何决定词嵌入中词的位置的！

代码案例+解读

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding  # 词嵌入model = Sequential()
model.add(Embedding(input_dim=7, output_dim=3, ))  # 输入、输出
model.compile()  # 全部参数使用默认
x = np.array([[0, 1, 0, 1, 1, 0, 0],[1, 1, 1, 1, 1, 1, 1]])
print('input shape data: \n', x, x.shape)
result = model.predict(x)
print('Embedding:', result, 'shape:', result.shape)

这段代码使用TensorFlow的Keras API来创建一个简单的词嵌入（Embedding）模型。我们来逐行解读代码内容：

1. import numpy as np
   导入NumPy库，并使用别名np引用它。NumPy是一个常用的Python科学计算库，用于进行数值计算。

2. from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding
   这两行从TensorFlow库中导入必要的模块。Sequential模型是Keras中一个线性堆叠的层次结构，而Embedding是Keras中用于词嵌入的层。

3. model = Sequential()
   创建一个Sequential模型的实例。

4. model.add(Embedding(input_dim=7, output_dim=3, ))
   向模型中添加一个Embedding层。其中，input_dim=7表示输入数据的词汇表大小为7，也即我们有7个不同的单词/标记。output_dim=3表示每个单词要被嵌入到3维的向量空间中。

5. model.compile()
   编译模型。这里没有为compile函数提供任何参数，所以它使用默认设置。由于这只是一个简单的演示，并没有进行真实的训练，所以这一步的设置不是很关键。

6. x = np.array([[0, 1, 0, 1, 1, 0, 0], [1, 1, 1, 1, 1, 1, 1]])
   使用NumPy创建一个形状为(2, 7)的数组。可以看作是两个句子，每个句子由7个单词/标记组成。这里的数字代表词汇表中的索引。

7. print('input shape data: \n', x, x.shape)
   打印输入数据和它的形状。

8. result = model.predict(x)
   使用Embedding模型对输入数据x进行预测。实际上，这一步将输入数据的每个单词索引转换为对应的嵌入向量。

9. print('Embedding:', result, 'shape:', result.shape)
   打印嵌入的结果和它的形状。

总结：此代码创建了一个简单的词嵌入模型，然后用这个模型将两个句子中的单词索引转换为对应的嵌入向量。这个模型没有经过训练，所以得到的嵌入向量是随机的。

---

专业原理介绍

词嵌入简介：

词嵌入（Word Embedding）是NLP和深度学习中的一个关键技术，它的核心思想是将自然语言中的单词或短语转换成固定大小的向量。这些向量可以捕获单词之间的语义关系、相似性和其他多种语言属性。

---

为什么需要词嵌入？

计算机本身不能理解文本或单词，它只能理解数字。因此，我们需要一种方法将单词转化为数值或向量形式。初学者可能会首先想到“独热编码”，但这种方法在大词汇表中是不切实际的，因为它产生的向量非常稀疏，且不能捕获单词间的关系。

词嵌入提供了一种更紧凑、高效的表示方法，其中相似的单词在向量空间中彼此靠近。

---

如何获得词嵌入？

1. 预训练模型：例如Word2Vec、GloVe和FastText，这些模型在大量文本数据上训练，可以为每个单词提供预训练的向量。你可以直接使用这些预训练向量或在特定任务上进行进一步的微调。

2. 自行训练：例如，在一个深度学习模型（如RNN、CNN）中使用嵌入层，这个层在模型训练过程中学习合适的单词向量。

---

Word2Vec简介：

Word2Vec是最受欢迎的词嵌入方法之一。它的核心思想是“一个单词的含义可以由它周围的单词定义”。Word2Vec有两种主要的训练方法：

1. CBOW（Continuous Bag of Words）：给定上下文，预测当前单词。
2. Skip-Gram：给定当前单词，预测它的上下文。

---

词嵌入的优点：

1. 捕获语义信息：例如，“king” - “man” + “woman” 接近 “queen”。
2. 降维：将高维的独热向量转化为低维的密集向量。
3. 可转移：预训练的词向量可以用于多种不同的任务。

---

总结：

词嵌入为单词提供了一种密集、低维的向量表示形式，这些向量捕获了单词的语义属性和关系。使用词嵌入，我们可以在深度学习模型中更高效地处理文本数据。

场景

当然可以！让我们使用一个简单的例子来进一步理解词嵌入。

---

场景： 设想你有以下四个句子：

1. The cat sat on the mat.
2. The dog sat on the rug.
3. Cats and dogs are pets.
4. Pets make great companions.

如果我们从这些句子中提取出所有的唯一单词，我们得到一个词汇表：[The, cat, sat, on, the, mat, dog, rug, cats, dogs, are, pets, make, great, companions]。我们忽略大小写和标点符号。

---

独热编码：

让我们先看独热编码。对于词汇表中的每一个单词，独热编码将会为其分配一个向量，其中只有一个元素是1，其余都是0。

例如：

• cat: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
• dog: [0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0]

但是这种表示方式有两个问题：向量很大并且稀疏（大部分为0），且这种编码方式无法表示单词间的关系（如“cat”和“dog”都是宠物，有语义上的相似性）。

---

词嵌入：

相对于独热编码，词嵌入将每个单词表示为一个更小的、密集的向量。例如，我们可以有一个3维的嵌入空间（实际应用中通常更高维）。

在这个简化的例子中，向量可能如下：

• cat: [0.9, 0.5, 0.3]
• dog: [0.8, 0.6, 0.4]
• mat: [0.1, 0.2, 0.3]
• rug: [0.15, 0.21, 0.31]

在这个嵌入空间中，“cat”和“dog”的向量很接近，这意味着它们在语义上相似。而“mat”和“rug”也很接近，因为它们都是可以坐或躺的物体。

词嵌入的美妙之处在于，当它们被训练在大量的文本数据上时，它们能够捕获更多的复杂语义和语法关系。例如，“king”和“queen”的向量之间的关系可能类似于“man”和“woman”的向量之间的关系。

---

这个简化的例子展示了词嵌入如何提供一种更紧凑、更有表现力的方式来表示单词，从而能够捕获单词之间的关系和语义含义。