使用 word2vec 对类别中的单词进行分类

Question

背景

我有带有一些样本数据的向量，每个向量都有一个类别名称（地点、颜色、名称）。

['john','jay','dan','nathan','bob']  -> 'Names'
['yellow', 'red','green'] -> 'Colors'
['tokyo','bejing','washington','mumbai'] -> 'Places'

我的目标是训练一个模型，该模型接受一个新的输入字符串并预测它属于哪个类别。例如，如果新输入是“紫色”，那么我应该能够将“颜色”预测为正确的类别。如果新输入是“Calgary”，它应该将“Places”预测为正确的类别。

方法

我做了一些研究，发现了Word2vec。该库具有我可以使用的“相似性”和“最相似性”功能。所以我想到的一种蛮力方法如下：

1. 接受新的输入。
2. 计算它与每个向量中每个词的相似度并取平均值。

例如，对于输入“pink”，我可以计算它与向量“names”中单词的相似度，取一个平均值，然后对其他 2 个向量也这样做。给我最高相似度平均值的向量将是输入所属的正确向量。

问题

鉴于我在 NLP 和机器学习方面的知识有限，我不确定这是否是最佳方法，因此我正在寻求帮助和建议以更好地解决我的问题。我愿意接受所有建议，也请指出我可能犯的任何错误，因为我是机器学习和 NLP 领域的新手。

Answer 1

如果您正在寻找最简单/最快的解决方案，那么我建议您采用预训练的词嵌入（Word2Vec 或 GloVe）并在其之上构建一个简单的查询系统。这些向量已经在庞大的语料库上进行了训练，并且可能包含对您的领域数据足够好的近似。

下面是我的解决方案：

import numpy as np

# Category -> words
data = {
  'Names': ['john','jay','dan','nathan','bob'],
  'Colors': ['yellow', 'red','green'],
  'Places': ['tokyo','bejing','washington','mumbai'],
}
# Words -> category
categories = {word: key for key, words in data.items() for word in words}

# Load the whole embedding matrix
embeddings_index = {}
with open('glove.6B.100d.txt') as f:
  for line in f:
    values = line.split()
    word = values[0]
    embed = np.array(values[1:], dtype=np.float32)
    embeddings_index[word] = embed
print('Loaded %s word vectors.' % len(embeddings_index))
# Embeddings for available words
data_embeddings = {key: value for key, value in embeddings_index.items() if key in categories.keys()}

# Processing the query
def process(query):
  query_embed = embeddings_index[query]
  scores = {}
  for word, embed in data_embeddings.items():
    category = categories[word]
    dist = query_embed.dot(embed)
    dist /= len(data[category])
    scores[category] = scores.get(category, 0) + dist
  return scores

# Testing
print(process('pink'))
print(process('frank'))
print(process('moscow'))

为了运行它，您必须从 here 下载并解压缩预训练的 GloVe 数据（小心，800Mb！）。运行后，它应该会产生如下内容：

{'Colors': 24.655489603678387, 'Names': 5.058711671829224, 'Places': 0.90213905274868011}
{'Colors': 6.8597321510314941, 'Names': 15.570847320556641, 'Places': 3.5302454829216003}
{'Colors': 8.2919375101725254, 'Names': 4.58830726146698, 'Places': 14.7840416431427}

...这看起来很合理。就是这样！如果不需要这么大的模型，可以根据tf-idf 的分数过滤glove 中的单词。请记住，模型大小仅取决于您拥有的数据和您可能希望能够查询的单词。

Answer 2

另外，PyTorch 有一个更好更快的 Glove 的 implementation。