【NLP-05】Doc2vec
目录
- Doc2vec简介
- Doc2vec模型
- 总结
一句话简介：doc2vec（又叫Paragraph Vector）是google的两位大牛Quoc Le和Tomas Mikolov在2014年提出的，是一种非监督式算法，可以获得 sentences/paragraphs/documents 的向量表达，是 word2vec 的拓展。类似有PV-DM和PV-DBOW两种方式。
一、Doc2vec简介
（阅读本文前，建议读NLP系列的另一篇：Word2vec）学出来的向量可以通过计算距离来找 sentences/paragraphs/documents 之间的相似性，可以用于文本聚类，对于有标签的数据，还可以用监督学习的方法进行文本分类，例如经典的情感分析问题。和word2vec一样，Doc2vec也有两种训练方式，一种是PV-DM（Distributed Memory Model of paragraph vectors段落向量的分布式记忆的版本）类似于word2vec中的CBOW模型，另一种是PV-DBOW（Distributed Bag of Words of paragraph vector 段落向量的分布式词袋版本)类似于word2vec中的skip-gram模型
二、Doc2vec模型
2.1 PV-DM
类似于word2vec中的CBOW模型。
doc2vec的目标是创建文档的向量化表示，而不管其长度如何。 但与单词不同的是，文档并没有单词之间的逻辑结构，因此必须找到另一种方法。Mikilov和Le使用的概念很简单但很聪明：他们使用了word2vec模型，并添加了另一个向量（下面的段落ID），如下所示（图的来源也是CBOW类似）：
相比于word2vec的c-bow模型，区别点有：
• 训练过程中新增了paragraph id，即训练语料中每个句子都有一个唯一的id。paragraph id和普通的word一样，也是先映射成一个向量，即paragraph vector。paragraph vector与word vector的维数虽一样，但是来自于两个不同的向量空间。在之后的计算里，paragraph vector和word vector累加或者连接起来，作为输出层softmax的输入。在一个句子或者文档的训练过程中，paragraph id保持不变，共享着同一个paragraph vector，相当于每次在预测单词的概率时，都利用了整个句子的语义。
• 在预测阶段，给待预测的句子新分配一个paragraph id，词向量和输出层softmax的参数保持训练阶段得到的参数不变，重新利用梯度下降训练待预测的句子。待收敛后，即得到待预测句子的paragraph vector。
2.2 PV-DBOW
类似于word2vec中的skip-gram模型
还有一种训练方法是忽略输入的上下文，让模型去预测段落中的随机一个单词。就是在每次迭代的时候，从文本中采样得到一个窗口，再从这个窗口中随机采样一个单词作为预测任务，让模型去预测，输入就是段落向量。如下所示：
2.3 小结
在上述两种方法中，我们可以使用PV-DM或者PV-DBOW得到段落向量/句向量。对于大多数任务，PV-DM的方法表现很好，但我们也强烈推荐两种方法相结合。
在论文中，作者建议使用两种算法的组合，尽管PV-DM模型是优越的，并且通常会自己达到最优的结果。
doc2vec模型的使用方式：对于训练，它需要一组文档。 为每个单词生成词向量W，并为每个文档生成文档向量D. 该模型还训练softmax隐藏层的权重。 在推理阶段，可以呈现新文档，并且固定所有权重以计算文档向量。
注意：与word2Vec的名称和图片貌似有点区别。
三、Doc2Vec主要参数详解
D2V 的API：
model_dm = Doc2Vec(x_train,min_count=1, window = 3, size = size, sample=1e-3, negative=5, workers=4)
参数：
min_count：忽略所有单词中单词频率小于这个值的单词。
window：窗口的尺寸（句子中当前和预测单词之间的最大距离）
size：特征向量的维度
sample：高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0,1e-5)。
negative: 如果>0,则会采用negativesampling，用于设置多少个noise words（一般是5-20）。默认值是5。
workers：用于控制训练的并行数。
model_dm.train(x_train, total_examples=model_dm.corpus_count, epochs=70)
total_examples：统计句子数
epochs：在语料库上的迭代次数(epochs)。
三、总结
Doc2vec是基于Word2vec基础上构建的，相比于Word2vec，Doc2vec不仅能训练处词向量还能训练处句子向量并预测新的句子向量：在输入层上多增加了一个Paragraph vector句子向量，该向量在同一句下的不同的训练中是权值共享的，这样训练出来的Paragraph vector就会逐渐在每句子中的几次训练中不断稳定下来，形成该句子的主旨。这样就训练出来了我们需要的句子向量。
在预测新的句子向量时，是需要重新训练的，此时该模型的词向量和投影层到输出层的soft weights参数固定，只剩下Paragraph vector用梯度下降法求得，所以预测新句子时虽然也要放入模型中不断迭代求出，相比于训练时，速度会快得多。
优点：
- 接受不同长度的句子做训练样本
- 该算法用于预测一个向量来表示不同的文档，该模型的结构潜在的克服了词袋模型的缺点
- 加入Paragraph vector向量，相当于增加了句子主旨，使得词和句子互相影响，表达趋于更优
缺点：
- 数据依赖：由于Doc2vec是建立在Word2vec的基础上，所以它自然也继承了Word2vec的影响，模型只有在大文本数据上运算才能够很好地捕捉到文档中的语义和句法。Doc2vec缺乏统计学的运用，如果数据不足够，这也会一定程度上影响最后段落向量质量的好坏
- 运行速率：即使相比于神经网络语言模型来说，Doc2vec省时很多，但是训练大量的文本数据是会消耗一定时间
参考文献
【1】论文：https://cs.stanford.edu/~quocle/paragraph_vector.pdf https://arxiv.org/pdf/1405.4053.pdf
【2】原理及实践 https://blog.csdn.net/u010417185/article/details/80654558
