Word2Vec Skipgrams - 夫妻应该跨越句子吗？

Question

背景

我正在尝试使用负采样训练 Skip-gram word2vec 模型。据我了解，我需要生成对（目标、上下文）和一个标签，其中 0 = 不在上下文中，1 = 在上下文中。

我不确定的是：

我们应该逐句制作skipgram对吗？还是我们应该将句子压缩成一个大句子并从中生成 skipgrams？ 换句话说，生成的情侣是否应该跨越句子？

下面两个代码片段之间的唯一区别是其中一个生成了跨越两个句子的对，如下所示：

data = ['this is some stuff.', 'I have a cookie.']

结果:

...SNIP...
[some, have]
[stuff, this]
[stuff, is]
[stuff, some]
[stuff, i]
[stuff, have]
[stuff, a]
[i, is]
[i, some]
[i, stuff]
[i, have]
[i, a]
[i, cookie]
[have, some]
[have, stuff]
...SNIP...

我们可以看到有一对横跨句子的情侣

或者我们可以有不跨越句子的情侣：

...SNIP...
[some, stuff]
[stuff, this]
[stuff, is]
[stuff, some]
[i, have]
[i, a]
[i, cookie]
[have, i]
[have, a]
[have, cookie]
...SNIP...

到目前为止我做了什么。

获取数据

from sklearn.datasets import fetch_20newsgroups
newsgroups_train = fetch_20newsgroups(subset='train',
                          remove=('headers', 'footers', 'quotes'))

初始化一些变量

vocabulary_size = 8
window_size = 3 
neg_samples = 0.0

将句子拼成一个大序列

sents = newsgroups_train.data
tokenizer = Tokenizer(num_words= vocabulary_size, lower=True, filters=filters)
tokenizer.fit_on_texts(sents)
word_index_inv = {v: k for k, v in tokenizer.word_index.items()}
sequences = tokenizer.texts_to_sequences(sents)
couples, labels = skipgrams(list(itertools.chain.from_iterable(sequences)), vocabulary_size=vocabulary_size, window_size=window_size, shuffle=False, negative_samples=neg_samples)
word_target, word_context = zip(*couples)
word_target = np.array(word_target, dtype="int32")
word_context = np.array(word_context, dtype="int32")

或：

将数据集拆分成句子并根据每个句子生成对。

sents = [nltk.sent_tokenize(s) for s in newsgroups_train.data]
sents = list(itertools.chain.from_iterable(sents))

tokenizer = Tokenizer(num_words= vocabulary_size, lower=True, filters=filters)
tokenizer.fit_on_texts(sents)
word_index_inv = {v: k for k, v in tokenizer.word_index.items()}
sequences = tokenizer.texts_to_sequences(sents)    
couples = []
labels = []
for seq in sequences:
    c,l = skipgrams(seq, vocabulary_size=vocabulary_size, 
            window_size=window_size, shuffle=False, 
            negative_samples=neg_samples)
    couples.extend(c)
    labels.extend(l)
word_target, word_context = zip(*couples)
word_target = np.array(word_target, dtype="int32")
word_context = np.array(word_context, dtype="int32")

打印出我们的话

for couple in couples:
    print('[{}, {}]'.format(word_index_inv[couple[0]], word_index_inv[couple[1]]))

Answer 1

通常这两种方式都无关紧要。

即使 libraries/APIs 谈论 "sentences" 他们真正的意思是 "texts" 这可能是多个句子。

最坏的情况是，如果你最终得到一些跨越没有本质关系的文本的上下文，它会给训练增加一点噪音......这可能需要更多的训练才能在另一个非-噪音环境。但通常运行-together 文本实际上是相关的，来自相同的原始来源，因此这样的上下文可能仍然捕获真正有用的模式，因此与较小的文本片段相比是一个净积极的。

您可以两种方式都试一下，然后相互对结果进行评分，看看哪一种更适合您的语料库和最终任务。

Word2Vec Skipgrams - 夫妻应该跨越句子吗？

Word2Vec Skipgrams - Should couples span sentences?

python

keras

word2vec

word-embedding

背景

我不确定的是：

到目前为止我做了什么。

或：