極簡使用︱Glove-python詞向量訓練與使用

glove/word2vec/fasttext目前詞向量比較通用的三種方式，其中word2vec來看，在gensim已經可以極快使用（可見：python︱gensim訓練word2vec及相關函數與功能理解）

官方glove教程比較囉嗦，可能還得設置一些參數表，操作不是特別方便。
筆者使用的時候，用的是一款比較省力/封裝的。

官方glove:https://github.com/stanfordnlp/GloVe
筆者使用：https://github.com/maciejkula/glove-python

---

1 安裝：

pip install glove_python

---

2 訓練：

具體函數細節可參考：github

生成嵌入是一個兩步過程： 從語料庫中生成一個匹配矩陣，然後用它生成嵌入矩陣。 Corpus 類有助於從令牌的interable構建一個語料庫。
還支持基本的pagragraph向量。 在word空間vector段落向量是在單詞向量空間中嵌入段落，這樣段落表示就接近於它所包含的單詞，因爲在語料庫中的單詞的頻率調整。 在訓練模型上通過調用 transform_paragraph 方法來訓練單詞嵌入後，可以得到這些結果。

其中段落向量是詞向量的平均可見(該模塊沒有教程，筆者就不做過多分析了)：

paragraph_vector = np.mean(self.word_vectors[word_ids], axis=0)

（1）準備數據集

from __future__ import print_function
import argparse
import pprint
import gensim
from glove import Glove
from glove import Corpus

sentense = [['你','是','誰'],['我','是','中國人']]
corpus_model = Corpus()
corpus_model.fit(sentense, window=10)
#corpus_model.save('corpus.model')
print('Dict size: %s' % len(corpus_model.dictionary))
print('Collocations: %s' % corpus_model.matrix.nnz)

其中corpus_model.fit(corpus, window=10, ignore_missing=False)
ignore_missing代表如果出現OOV的詞，該如何處理。

（2）訓練

glove = Glove(no_components=100, learning_rate=0.05)
glove.fit(corpus_model.matrix, epochs=10,
          no_threads=1, verbose=True)
glove.add_dictionary(corpus_model.dictionary)

>>> Performing 10 training epochs with 1 threads
>>> Epoch 0
>>> Epoch 1
>>> Epoch 2
>>> Epoch 3
>>> Epoch 4
>>> Epoch 5
>>> Epoch 6
>>> Epoch 7
>>> Epoch 8
>>> Epoch 9

維度no_components，可以與word2vec一起使用。
模型得保存爲：glove.save('glove.model')

（3）使用：模型得保存與加載

glove模型保存與加載：

glove.save('glove.model')
glove = Glove.load('glove.model')

corpus保存與加載：

corpus_model.save('corpus.model')
corpus_model = Corpus.load('corpus.model')

（4）使用：求相似詞

根據glove求相似詞。

glove.most_similar('我', number=10)

>>> [('中國人', 0.15130809810072138),
>>>  ('你', 0.0739901044877504),
>>>  ('誰', -0.05137569131012555),
>>>  ('是', -0.08668606334919005)]

（5）使用：詞向量矩陣

詞向量矩陣

# 全部詞向量矩陣
glove.word_vectors
# 指定詞條詞向量
glove.word_vectors[glove.dictionary['你']]

語料協同矩陣 corpus coocurrence matrix

corpus_model.matrix.todense().tolist()

>>>     [[0.0, 1.0, 0.5, 0.0, 0.0],
		 [0.0, 0.0, 1.0, 1.0, 1.0],
		 [0.0, 0.0, 0.0, 0.0, 0.0],
		 [0.0, 0.0, 0.0, 0.0, 0.5],
		 [0.0, 0.0, 0.0, 0.0, 0.0]]

由corpus_model引出得語料協同矩陣