Mindspore框架循环神经网络RNN模型实现情感分类

Mindspore框架循环神经网络RNN模型实现情感分类|（一）IMDB影评数据集准备
Mindspore框架循环神经网络RNN模型实现情感分类|（二）预训练词向量
Mindspore框架循环神经网络RNN模型实现情感分类|（三）RNN模型构建
Mindspore框架循环神经网络RNN模型实现情感分类|（四）损失函数与优化器
Mindspore框架循环神经网络RNN模型实现情感分类|（五）模型训练与推理

一、关于预训练词向量

在IMDB影评数据集的准备中提到词向量的预训练加载。
词向量（Word embedding），即把词语表示成实数向量。能体现词语直接的相近关系。词向量已经被证明可以提高NLP任务的性能，例如语法分析和情感分析。
词向量利用分布式假设，即相似的单词在上下文中出现的方式相似，因此可以使用向量空间模型将它们映射到低维向量表示。常见的词向量算法包括Word2Vec、GloVe等。本项目用nn.embedding方法，计算词与词之间的语义距离，并结合词袋模型获取句子的语义表示。

在前面提到“I like the movie!” = 词向量[9 37 10 16 28]，这是每个单词在词字典中的索引，这是映射。并没有词的含义，只有位置。即，第一步：将每个单词或标记符号映射到一个唯一的整数ID。
第二步：初始化一个随机的词向量矩阵，其中每行表示一个单词或标记的向量。
第三步：通过最小化损失函数来训练词向量矩阵，以便使相似含义的单词具有相似的向量表示。常见的损失函数包括Skip-gram、CBOW和GloVe等。
第四步：在训练完成后，使用训练出的词向量矩阵来表示新的文本数据，例如，可以将每个句子中的单词向量平均值作为句子的向量表示。
第五步：可以使用这些词向量在各种自然语言处理任务中进行特征提取，例如文本分类、命名实体识别、情感分析等。

预训练的词向量，指提前训练好这种词向量，它是在极大样本上训练的结果，有很好的通用性，无论什么任务都可以直接拿来用。
当一个人读书时，如果遇到了生僻的词，一般能根据上下文大概猜出生僻词的意思，词向量训练结果表示，正好像是捕捉了这种思想，抽象了这种行为。这也是word2vec的思想。
以上步骤的目标就是将文本转化为数值特征。再用RNN网络进行语义情感分类，就有现实意义了。

二、glove词向量

Glove模型的目的：求出能表示出词与词之间的关系的词向量
Glove的整体思想：词 k 在词 i 和词 j 中的的出现概率有着特殊规律
模型出自论文: Glove: Global Vectors for Word Representation

2.1glove模型原理

模型实现：

1）共现矩阵（对称矩阵）
以窗口的大小，出现在同一个窗口中的词计数

例：
I love you.
you love me.
you like me?

对于第一句：I love you.
假设窗口为一，[I love],I为中心词，则I为行，love为列处+1；然后移动窗口为[I love you],love为中心词，love为行，I列和you列+1；再移动窗口[I love you.],you为中心词，you做行，I 、love、句号列+1；
第一个句子处理后，再处理第二个句子，第三个句子，就得到上述共现矩阵。
共现矩阵的每一列（或行）都可以当做一个词向量。

2）SVD处理成三角矩阵
将共现矩阵转换成三角矩阵 Σ，目的为了降维和减少计算量。

生成共现矩阵，再SVD降维。

from glove import Glove
from glove import Corpus  # 语料库

# 生成共现矩阵，再SVD降维
corpus_model = Corpus()
corpus_model.fit(sentense, 
                 window=10)  # 窗口大小 (用于统计同一窗口的词，生成共现矩阵)
glove = Glove(no_components=10,   # 词向量维度
              learning_rate=0.05) # 学习率
glove.fit(corpus_model.matrix,
          epochs=10,              # 迭代次数
          no_threads=1,           # 计算线程数
          verbose=False)           # 打印epochs进度

输出及应用

# most_similar函数需要使用dictionary
glove.add_dictionary(corpus_model.dictionary)

print(glove.dictionary)
print(glove.word_vectors)
print(glove.most_similar('love', number=4))

词向量有 7 种词，每个词的维度为 10：

此处参考博客：xiao___qiao的Glove 词向量

3）拟合计算词向量
通过设计的函数，将词向量和共现概率比值进行计算，使loss函数越小。设计的函数如下，是通过共现词频率比值的规律来设计的：

f(x)：权重，为了不让相关度太高，保持相对高就行

2.2 预训练词向量下载

Glove 模型主要是利用了共现频率比值，这个特殊的规律，以这个规律来设计 loss 函数进行训练，得到词向量的方法。以下是下载预训练的词向量。

glove_path = download('glove.6B.zip', 'https://mindspore-website.obs.myhuaweicloud.com/notebook/datasets/glove.6B.zip')
vocab, embeddings = load_glove(glove_path)
print(len(vocab.vocab()))

解压后：

glove模型-6B词数量-100d词向量维数。

2.3 预训练词向量应用

有了预训练的词向量后，前面提到“I like the movie!” = 词映射[9 37 10 16 28]，就变成“I like the movie!” = 词向量(每个词都是100d向量)

Word	Vector
I	-0.046539 , 0.61966 , 0.56647 , -0.46584 , -1.189 ,0.44599 , 0.066035 , 0.3191 , 0.14679 , -0.22119 ,0.79239 , 0.29905 , 0.16073 , 0.025324 , 0.18678 ,…
like	-0.2687 , 0.81708 , 0.69896 , -0.72341 , 0.091566, 0.19557 , -0.52112 , -0.24313 , -0.44701 , -0.27039 , -0.34126 , -0.46898 ,…
the	-0.038194, -0.24487 , 0.72812 , -0.39961 , 0.083172, 0.043953, -0.39141 , 0.3344 , -0.57545 , 0.087459, 0.28787 , …
movie	0.38251 , 0.14821 , 0.60601 , -0.51533 , 0.43992 ,0.061053 , -0.62716 , -0.025385 , 0.1643 , -0.22101 ,…
！	0.38472 , 0.49351 , 0.49096 , -1.5434 , -0.33614 ,0.6222 , 0.32265 , 0.075331 , 0.65591 , -0.23517 , …

三、小结

Glove 和 word2vec 相比，word2vec 是周围范围内的词训练，glove 是以统计的词，更全面。两者最直观的区别在于，word2vec是“predictive”的模型，而GloVe是“count-based”的模型。
由于GloVe算法本身使用了全局信息，自然内存费的也就多一些，相比之下，word2vec在这方面节省了很多资源。