NLP_class
学堂在线《自然语言处理》实验课代码+报告，授课老师为刘知远老师。课程链接：https://www.xuetangx.com/training/NLP080910033761/1017121?channel=i.area.manual_search。
持续更新中。
所有代码为作者所写，并非最后的“标准答案”，只有实验6被扣了1分，其余皆是满分。仓库链接：https://github.com/W-caner/NLP_classs。 此外，欢迎关注我的CSDN：https://github.com/W-caner/NLP_classs。
部分数据集由于过大无法上传，我会在博客中给出下载链接。如果对代码有疑问，有更好的思路等，也非常欢迎在评论区与我交流~
实验1： Word2Vec & TranE的实现
Word2Vec
基于给定的代码实现Word2Vec，在Text8语料库上进行训练，并在给定的WordSim353数据集上进行测试。
运行word2vec.py训练Word2Vec模型, 在WordSim353上衡量词向量的质量
模型的原始参数设定如下，默认5个周期，负采样为5，CBOW模型：
model = gensim.models.Word2Vec(sents,
size=200,
window=10,
min_count=10,
workers=multiprocessing.cpu_count())
运行原始模型，得到保存的模型和生成的词相关性评估。运行评估代码，结果如下图所示，score=0.6856。
探究Word2Vec中各个参数对模型的影响
编写函数脚本，利用for循环，控制变量进行单个调参。绘制至折线图（为了展示效果，时间按照max进行归一化）。
-
vector_size（词向量的维度）：默认值是100。这个维度的取值一般与我们的语料的大小相关，如果是不大的语料，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。
随着size的增大，训练时间和得分都不断增加，score在size为100之后没有明显变化，说明对于该语料库大小，100是足够的维度，为了使词表示的更为充分，最终选择200作为参数。
-
window（窗口大小）：window越大，则和某一词较远的词也会产生上下文关系。默认值为5。在实际使用中，可以根据实际的需求来动态调整这个window的大小。如果是小语料则这个值可以设的更小。对于一般的语料这个值推荐在[5,10]之间。
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1CmZ6MCw-1673422101479)(./_image/2022-08-30/75d28ee7f7643abaacf44a73b1f2a170.jpg?c=1)]](https://img-blog.csdnimg.cn/0299a05f48754955859ae112676472bc.png)
随着窗口的变大，训练时间和最终得分都不断变大，但是增大的幅度在10左右已经放缓，所以，选取15为窗口大小已经能够关注到较远的词。
-
min_count（最小计数）：min_count是为了修剪内部的字典。在十亿单词语料库中，只出现一次或二次的单词可能是不感兴趣的拼写错误和垃圾。此外，这些单词也没有足够的数据来做任何有意义的训练。
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-acoIkPih-1673422101479)(./_image/2022-08-30/c8cb0104399509e1885d489245b5e747.jpg?c=1)]](https://img-blog.csdnimg.cn/3ac575d479c54373b82e172b1ba34282.png)
随着最小计数的增大，词表中留下了更少的词汇，时间不断变短，而得分呈现先上升后下降的趋势，说明适当的筛去某些低频词汇有利于词嵌入的表现，而过多的筛去词汇则会导致表达的不完整，损失特征。
对Word2Vec模型进行改进
首先调整iter参数，使得模型得到充分训练，设置为10个周期，得到了更好的表现，score为0.719：
尝试skip-gram方法，没有明显改进，score为0.698：
对于消歧的概念，我读了参考文献中的论文，做了笔记（放到了同一个文件夹下），因为时间关系没有复现代码。
TranE
补全代码，完成训练
_calc()：计算给定三元组的得分函数(score function)。norm_flag用于控制是否对向量进行正则化，以保证神经网络的稳定性，这里采用l2正则化，对最低维度（hidden_dim）进行归一化。score的返回值是一个二维narray，分别计算的是每一批次中正例和负例的得分，用于计算loss损失，维度变化见下代码。
def _calc(self, h, t, r):
# TO DO: implement score function
# Hint: you can use F.normalize and torch.norm functions
if self.norm_flag: # normalize embeddings with l2 norm
# dim: [2, batch_size, hidden_dim]
h = F.normalize(h, p=2, dim=2)
r = F.normalize(r, p=2, dim=2)
t = F.normalize(t, p=2, dim=2)
score = h + r - t
# dim: [2, batch_size]
return torch.norm(score, self.p_norm, dim=2)
loss()：计算模型的损失函数(loss function)，因为向量为一个批次大小正负样本的得分，所以在相减后需要计算平均值计算loss，margin作为控制负样本和正样本得分的最大间距，防止loss的负数情况梯度保证。如果超过该margin（损失小于0），则取0，所以这里使用relu函数即可。
def loss(self, pos_score, neg_score):
# TO DO: implement loss function
# Hint: consider margin
return torch.nn.ReLU()(self.margin + (pos_score - neg_score).mean())
完成TransE的训练，得到实体和关系的向量表示，存储在entity2vec.txt和relation2vec.txt中。采用学习率衰减的方法，由0.1开始衰减，每次衰减为原来的0.95，收敛的很快，如下图所示，在第5个周期loss已经收敛至0。后面在实验的过程中发现**少周期大学习率，不如多周期小学习率，推测是负采样越多，碰到的相近词的概率越大，也越有区分能力。**所以收敛的过快并不一定是好的事情（存疑？），这里不再设置周期数，而是根据学习率和margin的不同进行自己停止，具体做法为设置了最大训练周期100，当在最大周期内，但loss已经无限接近于0的时候，停止训练。
结果分析
-
给定头实体Q30，关系P36，最接近的尾实体是哪些？
在 https://www.wikidata.org/wiki/Q30 和 https://www.wikidata.org/wiki/Property:P36 中查询，Q30为美国，P36为首都，可以推测出，较为合理的答案应该是美国的首都华盛顿，对应实体为Q61。经过对学习率和训练周期的调整，最终测试代码和结果如下所示：
排名第一的是Q90，巴黎，这是法国的首都，推测可能是美国和法国有一定的相似度，训练结果又存在偏差。第二的是Q60纽约，我查询了训练集，发现确实有这个词，说明给定的关系中认为其是合理的，可能由于纽约比华盛顿与其他临近美国的词汇出现的频率高，所以学习的更快。第三是洛杉矶。后面是如伦敦等一些其他国家的首都。华盛顿排名第8，也较为合理。
-
给定头实体Q30，尾实体Q49，最接近的关系是哪些？
Q30为美国，Q49为北美洲，最接近的关系应该是19，P30，大洲。结果排在了第一位。
生成的其他词汇有如"family name"，"memeber of"等表示从属关系的词汇，还是比较合理的。
改变参数p_norm和margin，分析模型变化
- p_norm：对于l1而言是计算绝对值，而l2是计算平方，对同样的参数而言，l2相当于"扩大"了loss，在训练过程中，收敛的也更慢，需要配合较大的学习率和较小的margin，但是效果也更好，反映在指标上，除了hit10提高了约0.5个百分点，计算出的平均top1的相似度损失（使用的norm2计算）也降低了0.4。
- margin：margin相当于对正负例之间的距离规定，从小到大依次调整该参数，loss随着margin变大而变大。margin较小的时候（0～4），模型对于正负例的区分程度不高，会出现多个"模糊词义"都"不是很接近"的情况，此时相似度最高的往往是低频词汇（许多undifined实体），因为其没有明显的特征被学习到，更容易欠拟合。而margin较大时，为了使之快速收敛，选择较大学习率，此时，负例loss迅速变大，如果存在相近词意的负采样，很容易过拟合，并且loss训练至某个值后很难下降，因为margin规定的距离太大，难以保证每次采样都满足。
