一、Word2Vec算法
简单讲就是通过学习文本然后用词向量的方式表征词的语义信息,即通过把原先词所在空间映射到一个新的空间中去,使得语义上相似的单词在该空间内距离相近。以传统神经网络为基础的神经概率语言模型,缺点主要是计算量太大,集中体现在:隐层和输出层之间的矩阵运算和输出层上的 归一化运算上。因此就是针对这两点来优化神经概率语言模型的。 中两个重要的模型是: 模型和 模型。
1. 模型
CBOW(continue bag-of-words) 包括三层结构:输入层、投影层和输出层。
输入层:包含2c个词的词向量。
投影层:对输入的2c个词向量进行累加操作。
输出层:输出层对应一颗哈夫曼(Huffman)树,它是以语料中出现过的词当叶子节点,以各词在语料库中出现的次数当权值构造而成。在这颗树中,叶子结点共个,分别对应词典中的词,非叶结点个。
由的思想,对于词典中的的任意词,哈夫曼树中必然存在唯一一条从根节点到词对应叶子节点的路径。路径中包含节点的个数为,则路径上存在个分支,将每个分支看作一次二分类,那么每一次分类就对应一个概率,最后这些概率连乘得到,即
其中表示路径中第个节点对应的编码(根节点不对应编码);表示路径中第个非叶子节点对应的向量;表示 中所有词向量的叠加。
其中。通过对数极大似然化处理可得CBOW模型的目标函数为:
word2vec极大化目标函数使用的算法是随机梯度上升法,首先考虑对的梯度计算:
则的更新公式为:
然后考虑对的梯度计算:
观察到中和具有对称性,word2vec直接取下式方式来更新:
2. 模型
模型也包括输入层、投
影层和输出层。
输入层:只含有当前样本的中心词的词向量;
投影层:由于为恒等投影,因此该层可有可无;
输出层:也为一棵哈夫曼树。
在模型中已知当前词,需要对其上下文中的词进行预测,关键是条件概率函数,即:
同样由的思想,可得:
通过极大似然化处理可得模型的目标函数为:
考虑对的梯度:
则的更新公式为:
再考虑对的梯度:
则更新公式为:
二、算法实现
本次所用数据来自一家英国在线零售商店2010年1月12日至2011年12月9的全部交易数据,数据规模为。下载地址,https://archive.ics.uci.edu/ml/datasets/Online+Retail ,字段描述如下:
- InvoiceNo:发票编号。 定类数据,为每个事务唯一分配的6位整数。 如果此代码以字母'c'开头,则表示取消。
- StockCode:产品(项目)代码。 定类数据,为每个不同的产品唯一分配的5位整数。
- Description:产品(项目)名称。定类数据。
- Quantity:每笔交易的每件产品(项目)的数量。 数字。
- InvoiceDate:Invoice日期和时间。 数字,生成每个事务的日期和时间。
- UnitPrice:单价。 数字,英镑单位产品价格。
- CustomerID:客户编号。 定类数据,为每个客户唯一分配的5位整数。
- Country:国家名称。 定类数据,每个客户所在国家/地区的名称。
1. 库函数、数据读入以及删除缺失值
import numpy as np
import pandas as pd
import random
from tqdm import tqdm
from gensim.models import Word2Vec
import matplotlib.pyplot as plt
import umap
data = pd.read_excel('Online Retail.xlsx')
data.isnull().sum()
data.dropna(inplace=True)
2. 找到用户的个数及其列表,并随机打乱,可知用户共4372个
data['StockCode'] = data['StockCode'].astype(str)
customers = data['CustomerID'].unique().tolist()
random.shuffle(customers)
train_customers = [customers[i] for i in range(round(0.9*len(customers)))]
train_data = data[data['CustomerID'].isin(train_customers)]
validation_data = data[~data['CustomerID'].isin(train_customers)]
3. 划分训练集和验证集并加载
train_customers = [customers[i] for i in range(round(0.9*len(customers)))]
train_data = data[data['CustomerID'].isin(train_customers)]
validation_data = data[~data['CustomerID'].isin(train_customers)]
train_purchases = [] #训练集用户购买记录
for i in tqdm(train_customers):
temp = train_data[train_data['CustomerID']==i]['StockCode'].tolist()
train_purchases.append(temp)
val_purchases = [] #验证集用户购买记录
for i in tqdm(validation_data['CustomerID'].unique()):
temp = validation_data[validation_data['CustomerID']==i]['StockCode'].tolist()
val_purchases.append(temp)
100%|██████████| 3935/3935 [00:04<00:00, 974.74it/s]
100%|██████████| 437/437 [00:00<00:00, 1613.25it/s]
4. 模型加载及初始化
model = Word2Vec(window = 10,sg = 1, hs = 0, negative = 10, alpha = 0.03, min_alpha = 0.0007, seed = 14)
model.build_vocab(train_purchases,progress_per = 200)
model.train(train_purchases, total_examples = model.corpus_count, epochs = 10, report_delay = 1)
model.init_sims(replace=True)
X = model[model.wv.vocab]
5. 模型向量可视化
cluster_embedding = umap.UMAP(n_neighbors=30, min_dist=0.0, n_components=2, random_state=42).fit_transform(X)
plt.figure(1)
plt.scatter(cluster_embedding[:,0], cluster_embedding[:,1], s=3, cmap='Spectral')
6. 创建产品股票代码及描述的字典并删除重复项
products = train_data[["StockCode", "Description"]]
products.drop_duplicates(inplace=True, subset='StockCode', keep='last')
products_dict = products.groupby('StockCode')['Description'].apply(list).to_dict()
In [8]: products_dict['21931']
Out[8]: ['JUMBO STORAGE BAG SUKI']
7. 以产品向量作为输入,并返回6个相似产品
def similar_products(v,n=6):
ms = model.wv.similar_by_vector(v,topn = n+1)[1:]
new_ms = []
for j in ms:
pair = (products_dict[j[0]][0],j[1])
new_ms.append(pair)
return new_ms
similar_products(model['84406B'])
In [9]: similar_products(model['21931'])
Out[9]:
[('JUMBO BAG STRAWBERRY', 0.8357644081115723),
('JUMBO BAG OWLS', 0.8068020343780518),
('JUMBO BAG BAROQUE BLACK WHITE', 0.7999265193939209),
('JUMBO BAG RED RETROSPOT', 0.7874696254730225),
('JUMBO BAG PINK POLKADOT', 0.7594423294067383),
('JUMBO STORAGE BAG SKULLS', 0.758986234664917)]
8. 基于多次购买的平均值推荐相似产品
def aggregate_vectors(products):
product_vec = []
for i in products:
product_vec.append(model[i])
return np.mean(product_vec,axis=0)
aggregate_vectors(val_purchases[1]).shape
similar_products(aggregate_vectors(val_purchases[1]))
similar_products(aggregate_vectors(val_purchases[1][-10:]))
In [13]: similar_products(aggregate_vectors(val_purchases[1]))
Out[13]:
[('LUNCH BAG RED RETROSPOT', 0.6403661370277405),
('ALARM CLOCK BAKELIKE RED ', 0.638660728931427),
('RED RETROSPOT PICNIC BAG', 0.6361196637153625),
('JUMBO BAG RED RETROSPOT', 0.6360040903091431),
('SET/5 RED RETROSPOT LID GLASS BOWLS', 0.6345535516738892),
('ALARM CLOCK BAKELIKE PINK', 0.6296969056129456)]
In [14]: similar_products(aggregate_vectors(val_purchases[1][-10:]))
Out[14]:
[('ROUND SNACK BOXES SET OF 4 FRUITS ', 0.7854548692703247),
('LUNCH BOX WITH CUTLERY RETROSPOT ', 0.6739486455917358),
('SET OF 3 BUTTERFLY COOKIE CUTTERS', 0.6696499586105347),
('SET OF 3 REGENCY CAKE TINS', 0.6598889827728271),
('PICNIC BOXES SET OF 3 RETROSPOT ', 0.6580283641815186),
('POSTAGE', 0.6528887748718262)]
参考资料
[1]. 推荐系统与深度学习. 黄昕等. 清华大学出版社. 2019.
[2]. 美团机器学习实践. 美团算法团队. 人民邮电出版社. 2018.
[3]. 推荐系统算法实践. 黄美灵. 电子工业出版社. 2019.
[4]. 推荐系统算法. 项亮. 人民邮电出版社. 2012.
[5]. https://github.com/smrutiranjan097/Building-a-Recommendation-System-using-Word2vec
[6]. https://github.com/shoreyarchit/Movie-Recommendation-System
[7]. https://github.com/yhangf/ML-NOTE
夜雨翦春韭,新炊间黄粱。——杜甫《赠卫八处士》
网友评论