Word2vec絕對是我在自然語言處理研究中遇到的最有趣的概念。想像一下，有一種算法可以成功地模擬理解單詞的含義及其在語言中的功能，它可以在不同的主題內來衡量單詞之間的接近程度。
我認為可視化地表示word2vec向量會很有趣：本質上，我們可以獲取國家或城市的向量，應用主成分分析來減少維度，並將它們放在二維圖表上。然後，我們可以觀察可視化的結果。
在本文中，我們將：
從廣義上討論word2vec理論；下載原始的預訓練向量；看看一些有趣的應用程式：比如對一些單詞進行算術運算，比如著名的king-man+woman=queen等式根據word2vec向量看看我們能多精確地來繪製歐洲的首都。word2vec的原始研究論文和預訓練模型來自2013年，考慮到NLP文獻的擴展速度，目前它是老技術。較新的方法包括GloVe（更快，可以在較小的語料庫上訓練）和fastText（能夠處理字符級的n-gram）。
Quick Word2Vec簡介
自然語言處理的核心概念之一是如何量化單詞和表達式，以便能夠在模型環境中使用它們。語言元素到數值表示的這種映射稱為詞嵌入。
Word2vec是一個詞嵌入過程。這個概念相對簡單：通過一個句子一個句子地在語料庫中循環去擬合一個模型，根據預先定義的窗口中的相鄰單詞預測當前單詞。
為此，它使用了一個神經網絡，但實際上最後我們並不使用預測的結果。一旦模型被保存，我們只保存隱藏層的權重。在我們將要使用的原始模型中，有300個權重，因此每個單詞都由一個300維向量表示。
請注意，兩個單詞不必彼此接近的地方才被認為是相似的。如果兩個詞從來沒有出現在同一個句子中，但它們通常被相同的包圍，那麼可以肯定它們有相似的意思。
word2vec中有兩種建模方法：skip-gram和continuous bag of words，這兩種方法都有各自的優點和對某些超參數的敏感性……但是你知道嗎？我們將不擬合我們自己的模型，所以我不會花時間在它上面。
當然，你得到的詞向量取決於你訓練模型的語料庫。一般來說，你確實需要一個龐大的語料庫，有維基百科上訓練過的版本，或者來自不同來源的新聞文章。我們將要使用的結果是在Google新聞上訓練出來的。
如何下載和安裝
首先，你需要下載預訓練word2vec向量。你可以從各種各樣的模型中進行選擇，這些模型是針對不同類型的文檔進行訓練的。
我用的是最初的模型，在Google新聞上受過訓練，你可以從很多來源下載，只需搜索「Google News vectors negative 300」。或者， 在這裡下載：https://github.com/mmihaltz/word2vec-GoogleNews-vectors。
注意，這個文件是1.66gb，但它包含了30億字的300維表示。
當談到在Python中使用word2vec時，再一次，你有很多包可供選擇，我們將使用gensim庫。假設文件保存在word2vec_pretrained文件夾中，可以用Python加載，代碼如下所示：
from gensim.models.keyedvectors import KeyedVectorsword_vectors = KeyedVectors.load_word2vec_format(\ './word2vec_pretrained/GoogleNews-vectors-negative300.bin.gz', \ binary = True, limit = 1000000)limit參數定義了要導入的單詞數，100萬對於我來說已經足夠了。
探索Word2vec
現在我們已經有了word2vec向量，我們可以查看它的一些相關有趣的用法。
首先，你可以實際檢查任何單詞的向量表示：
word_vectors['dog']結果，正如我們預期的，是一個300維的向量，並且這個向量很難解釋。我們通過對這些向量的加和減來計算新向量，然後計算餘弦相似度來找到最接近的匹配詞。
你可以使用most_similar函數找到同義詞，topn參數定義要列出的單詞數：
word_vectors.most_similar(positive = ['nice'], topn = 5)結果
[('good', 0.6836092472076416), ('lovely', 0.6676311492919922), ('neat', 0.6616737246513367), ('fantastic', 0.6569241285324097), ('wonderful', 0.6561347246170044)]現在，你可能認為用類似的方法，你也可以找到反義詞，你可能認為只需要把「nice」這個詞作為negative輸入。但結果卻是
[('J.Gordon_###-###', 0.38660115003585815), ('M.Kenseth_###-###', 0.35581791400909424), ('D.Earnhardt_Jr._###-###', 0.34227001667022705), ('G.Biffle_###-###', 0.3420777916908264), ('HuMax_TAC_TM', 0.3141660690307617)]這些詞實際上表示離「nice」這個詞最遠的詞。
使用doesnt_match函數可以找出異常詞：
word_vectors.doesnt_match(['Hitler', 'Churchill', 'Stalin', 'Beethoven'])返回Beethoven。我想這很方便。
最後，讓我們看看一些操作的例子，這些操作通過賦予算法一種虛假的智能感而出名。如果我們想合併father和woman這兩個詞的向量，並且減去man這個詞的向量，代碼如下
word_vectors.most_similar(positive = ['father', 'woman'], negative = ['man'], topn = 1)我們得到：
[('mother', 0.8462507128715515)]腦子先轉一轉，想像一下我們只有兩個維度：親子關係和性別。「女人」這個詞可以用這個向量來表示：[0，1]，「男人」是[0，-1]，「父親」是[1，-1]，「母親」是[1，1]。現在，如果我們做同樣的運算，我們得到同樣的結果。當然，區別在於我們有300個維度，而不是示例中僅有的2個維度，維度的含義幾乎無法解釋。
在word2vec操作中，有一個著名的性別偏見例子，「doctor」這個詞的女性版本過去被計算為「nurse」。我試著複製，但沒有得到同樣的結果：
word_vectors.most_similar(positive = ['doctor', 'woman'], negative = ['man'], topn = 1)[('gynecologist', 0.7093892097473145)]我們得到了婦科醫生，所以，我想這可能是進步吧？
好吧，現在我們已經檢查了一些基本的函數，讓我們來研究我們的可視化吧！
Map函數
首先，我們需要一個Map函數。假設我們有一個要可視化的字符串列表和一個詞嵌入，我們希望：
找到列表中每個單詞的詞向量表示；利用主成分分析法將維數降到2；創建散點圖，將單詞作為每個數據點的標籤；另外一個額外的好處是，可以從任何維度「旋轉」結果——主成分分析的向量是任意方向的，當我們繪製地理單詞時，我們可能想要改變這個方向，看是否可以與現實世界的方向一致。我們需要以下庫：
import matplotlib.pyplot as pltimport seaborn as snsfrom sklearn.decomposition import PCAimport adjustText列表中不常用的一個庫是adjustText，這是一個非常方便的包，它使得在散點圖中編寫圖例變得簡單，而不會重疊。對於我來說，找到這個解決方案非常困難，而且據我所知，在matplotlib或seaborn中沒有辦法做到這一點。
無需進一步說明，此函數將完全滿足我們的需要：
def plot_2d_representation_of_words( word_list, word_vectors, flip_x_axis = False, flip_y_axis = False, label_x_axis = "x", label_y_axis = "y", label_label = "city"): pca = PCA(n_components = 2) word_plus_coordinates=[] for word in word_list: current_row = [] current_row.append(word) current_row.extend(word_vectors[word]) word_plus_coordinates.append(current_row) word_plus_coordinates = pd.DataFrame(word_plus_coordinates) coordinates_2d = pca.fit_transform( word_plus_coordinates.iloc[:,1:300]) coordinates_2d = pd.DataFrame( coordinates_2d, columns=[label_x_axis, label_y_axis]) coordinates_2d[label_label] = word_plus_coordinates.iloc[:,0] if flip_x_axis: coordinates_2d[label_x_axis] = \ coordinates_2d[label_x_axis] * (-1) if flip_y_axis: coordinates_2d[label_y_axis] = \ coordinates_2d[label_y_axis] * (-1) plt.figure(figsize = (15,10)) p1=sns.scatterplot( data=coordinates_2d, x=label_x_axis, y=label_y_axis) x = coordinates_2d[label_x_axis] y = coordinates_2d[label_y_axis] label = coordinates_2d[label_label] texts = [plt.text(x[i], y[i], label[i]) for i in range(len(x))] adjustText.adjust_text(texts)現在是測試函數的時候了。我畫出了歐洲國家的首都。你可以使用任何列表，例如總統或其他歷史人物的名字，汽車品牌，烹飪原料，搖滾樂隊等等，只要在word_list參數中傳遞它。很有意思的是看到一堆堆的東西在兩個軸後面形成一個意思。
如果你想重現結果，以下是城市：
capitals = [ 'Amsterdam', 'Athens', 'Belgrade', 'Berlin', 'Bern', 'Bratislava', 'Brussels', 'Bucharest', 'Budapest', 'Chisinau', 'Copenhagen','Dublin', 'Helsinki', 'Kiev', 'Lisbon', 'Ljubljana', 'London', 'Luxembourg','Madrid', 'Minsk', 'Monaco', 'Moscow', 'Nicosia', 'Nuuk', 'Oslo', 'Paris','Podgorica', 'Prague', 'Reykjavik', 'Riga', 'Rome', 'San_Marino', 'Sarajevo','Skopje', 'Sofia', 'Stockholm', 'Tallinn', 'Tirana', 'Vaduz', 'Valletta', 'Vatican', 'Vienna', 'Vilnius', 'Warsaw', 'Zagreb']假設你仍然有我們在上一節中創建的word_vectors對象，可以這樣調用函數：
plot_2d_representation_of_words( word_list = capitals, word_vectors = word_vectors, flip_y_axis = True)（翻轉y軸是為了創建更像真實貼圖的表示。）
結果是：
我不知道你的感受，當我第一次看到地圖的時候，我真不敢相信結果會有多好！是的，當然，你看得越久，你發現的「錯誤」就越多，一個不好的結果就是莫斯科離東方的距離並不像它應該的那麼遠……儘管如此，東西方幾乎完全分離，斯堪地那維亞和波羅的海國家被很好地組合在一起，義大利周圍的首都也是如此。
需要強調的是，這絕不是純粹的地理位置，例如，雅典離西方很遠，但這是有原因的。讓我們回顧一下上面的地圖是如何導出的，這樣我們就可以充分理解它了：
谷歌的一組研究人員訓練了一個龐大的神經網絡，根據上下文預測單詞；他們將每個單詞的權重保存在一個300維的向量表示中；我們計算歐洲各國首都的向量；利用主成分分析法將維數降到2；把計算出的成分放在圖表上。所以，語義的信息不能代表真實地理信息。但我覺得這個嘗試很有趣。
參考引用
Hobson, L. & Cole, H. & Hannes, H. (2019). Natural Language Processing in Action: Understanding, Analyzing, and Generating Text with Python. Manning Publications, 2019.https://en.wikipedia.org/wiki/Word2vechttps://adjusttext.readthedocs.io/en/latest/