0基础入门预训练的词向量
在我参考的代码中，有直接加载的，一般是进行预处理后进行自定义自己的词库，然后利用 已有预训练好的 词向量进行 编码：
1.glove 模型：
def process_questions(args): ''' Encode question tokens''' print('Loading data')
#加载你的数据集
with open(args.annotation_file, 'r') as dataset_file: instances = json.load(dataset_file) # Either create the vocab or load it from disk
#分情况进行编码，如果是train的话需要制作词汇表，val和test使用train的词汇，为了泛化能力
if args.mode in ['train']: print('Building vocab') answer_cnt = {}
#进行词频统计 for instance in instances: answer = instance['answer'] answer_cnt[answer] = answer_cnt.get(answer, 0) + 1 # dic字典独有的得到词和方式，如果得不到用0填充 answer_token_to_idx = {'<UNK0>': 0, '<UNK1>': 1} answer_counter = Counter(answer_cnt) frequent_answers = answer_counter.most_common(args.answer_top) #选择最多的词汇进行编码，去除低频词，避免过多词训练起来很慢 total_ans = sum(item[1] for item in answer_counter.items()) total_freq_ans = sum(item[1] for item in frequent_answers) print("Number of unique answers:", len(answer_counter)) print("Total number of answers:", total_ans) print("Top %i answers account for %f%%" % (len(frequent_answers), total_freq_ans * 100.0 / total_ans))
#制作答案的词汇表 for token, cnt in Counter(answer_cnt).most_common(args.answer_top): answer_token_to_idx[token] = len(answer_token_to_idx) print('Get answer_token_to_idx, num: %d' % len(answer_token_to_idx)) #制作问题的词汇表，期间进行了 分词操作 question_token_to_idx = {'<NULL>': 0, '<UNK>': 1} for i, instance in enumerate(instances): question = instance['question'].lower()[:-1] for token in nltk.word_tokenize(question): if token not in question_token_to_idx: question_token_to_idx[token] = len(question_token_to_idx) print('Get question_token_to_idx') print(len(question_token_to_idx)) vocab = { 'question_token_to_idx': question_token_to_idx, 'answer_token_to_idx': answer_token_to_idx, 'question_answer_token_to_idx': {'<NULL>': 0, '<UNK>': 1} } #词汇表的存储，以便val和test的时候使用 print('Write into %s' % args.vocab_json.format(args.dataset, args.dataset)) with open(args.vocab_json.format(args.dataset, args.dataset), 'w') as f: json.dump(vocab, f, indent=4) else: print('Loading vocab') with open(args.vocab_json.format(args.dataset, args.dataset), 'r') as f: vocab = json.load(f) # Encode all questions print('Encoding data') questions_encoded = [] questions_len = [] question_ids = [] video_ids_tbw = [] video_names_tbw = [] all_answers = [] for idx, instance in enumerate(instances): question = instance['question'].lower()[:-1] question_tokens = nltk.word_tokenize(question)
#上面一行是进行token处理，下面一行是进行把token转换成数字 question_encoded = utils.encode(question_tokens, vocab['question_token_to_idx'], allow_unk=True) questions_encoded.append(question_encoded) questions_len.append(len(question_encoded)) question_ids.append(idx) im_name = instance['video_id'] video_ids_tbw.append(im_name) video_names_tbw.append(im_name) if instance['answer'] in vocab['answer_token_to_idx']: answer = vocab['answer_token_to_idx'][instance['answer']] elif args.mode in ['train']: answer = 0 elif args.mode in ['val', 'test']: answer = 1 all_answers.append(answer) max_question_length = max(len(x) for x in questions_encoded) for qe in questions_encoded:
#进行填充，让question每一个都是同样大小，相当于pad操作 while len(qe) < max_question_length: qe.append(vocab['question_token_to_idx']['<NULL>']) questions_encoded = np.asarray(questions_encoded, dtype=np.int32) questions_len = np.asarray(questions_len, dtype=np.int32) print(questions_encoded.shape) glove_matrix = None if args.mode == 'train':
#这里利用我们自定义的表，自制预训练的词向量，让它按照我们词汇表的顺序。 token_itow = {i: w for w, i in vocab['question_token_to_idx'].items()} print("Load glove from %s" % args.glove_pt) glove = pickle.load(open(args.glove_pt, 'rb')) dim_word = glove['the'].shape[0] glove_matrix = [] for i in range(len(token_itow)): vector = glove.get(token_itow[i], np.zeros((dim_word,))) #没有的词汇一律变成 0向量 glove_matrix.append(vector) #按照我们自己自定义的词汇表进行编码，所以是这样子进行append glove_matrix = np.asarray(glove_matrix, dtype=np.float32) print(glove_matrix.shape) print('Writing', args.output_pt.format(args.dataset, args.dataset, args.mode)) obj = { 'questions': questions_encoded, 'questions_len': questions_len, 'question_id': question_ids, 'video_ids': np.asarray(video_ids_tbw), 'video_names': np.array(video_names_tbw), 'answers': all_answers, 'glove': glove_matrix, } with open(args.output_pt.format(args.dataset, args.dataset, args.mode), 'wb') as f: pickle.dump(obj, f)
2. Elmo 模型
self.elmo = Elmo(args.options_file, args.weight_file, 1, dropout=0.5,vocab_to_cache=vocab)
下载了得到 weight和options ，但是它是和glove不一样的。它没有300d向量，只有处理的参数得到模型。
参考链接：可以去看看，挺好的
https://zhuanlan.zhihu.com/p/55320266
处理oov词：摘自
Word Embedding 如何处理未登录词？
链接：https://www.zhihu.com/question/308543084/answer/611451582
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
大概有这么几种方法吧：
最原始的做法是用 UNK 标签表示所有未登录词，但是 UNK 的 embedding 一般不会用零向量。
第二种方法
我觉得最容易想到的方法，使用 sub-word level embedding。比如大名鼎鼎的 fastText，通过 character n-gram 组合出 word embedding，不存在 OOV 的问题。官网能找到有很多语种的 pre-trained embedding，自己训练起来也不难，网上也有很多 blog、tutorial 可参考。而且感觉常用度不比 word2vec、GloVe 差。
- 论文：Enriching Word Vectors with Subword Information Bojanowsk et al.
- 代码：facebookresearch/fastText
第三种方法（重点！）
也是我看到题目时脑海中涌现的第一个想法，来源于论文 "Mimicking Word Embeddings using Subword RNNs." by Yuval Pinter, Robert Guthrie, and Jacob Eisenstein. 本文发表在 EMNLP 2017 上，专门解决 word embedding 的 OOV 问题。论文提出了 MIMICK 模型，在已有 embedding 上根据 subword 信息学习一个从拼写到 embedding 的 function 来为 OOV words 生成 embedding。 作者还在 Universal Dependencies (UD) 语料库的 23 种语言上测试了 MIMICK 在词性标注任务 (POS tagging) 中的准确率，并得到了不错的结果。而且 MIMICK 在中文上有着突出的表现。原因是 UD 的中文语料库包含了 >12000 的 token，可供 MIMICK 充分地学习出 embedding 的方法。另外 MIMICK 在低资源语言 (low-resource languages) 处理上有着重要的作用。通常情况下，用来训练的语料库资源有限，而 MIMICK 可以发挥自身优势，充分利用现有数据生成 word embedding ，完成下游任务。
