55

我正在尝试比较我的 Doc2Vec 实现(通过 tf)和 gensims 实现。至少从视觉上看,gensim 的表现更好。

我运行以下代码来训练 gensim 模型和下面的代码来训练 tensorflow 模型。我的问题如下:

  1. 我的 Doc2Vec 的 tf 实现是否正确。基本上它应该连接单词向量和文档向量来预测特定上下文中的中间词吗?
  2. gensim中的window=5参数是否意味着我在两边使用两个词来预测中间的词?还是两边都是5。问题是有不少文件长度小于 10。
  3. 关于为什么 Gensim 表现更好的任何见解?我的模型与他们实现它的方式有什么不同吗?
  4. 考虑到这实际上是一个矩阵分解问题,为什么 TF 模型甚至可以得到答案?由于它是一个秩不足的问题,因此有无限的解决方案。<- 最后一个问题只是一个奖励。

根西姆

model = Doc2Vec(dm=1, dm_concat=1, size=100, window=5, negative=10, hs=0, min_count=2, workers=cores)
model.build_vocab(corpus)
epochs = 100
for i in range(epochs):
    model.train(corpus)

特遣部队

batch_size = 512
embedding_size = 100 # Dimension of the embedding vector.
num_sampled = 10 # Number of negative examples to sample.


graph = tf.Graph()

with graph.as_default(), tf.device('/cpu:0'):
    # Input data.
    train_word_dataset = tf.placeholder(tf.int32, shape=[batch_size])
    train_doc_dataset = tf.placeholder(tf.int32, shape=[batch_size/context_window])
    train_labels = tf.placeholder(tf.int32, shape=[batch_size/context_window, 1])

    # The variables   
    word_embeddings =  tf.Variable(tf.random_uniform([vocabulary_size,embedding_size],-1.0,1.0))
    doc_embeddings = tf.Variable(tf.random_uniform([len_docs,embedding_size],-1.0,1.0))
    softmax_weights = tf.Variable(tf.truncated_normal([vocabulary_size, (context_window+1)*embedding_size],
                             stddev=1.0 / np.sqrt(embedding_size)))
    softmax_biases = tf.Variable(tf.zeros([vocabulary_size]))

    ###########################
    # Model.
    ###########################
    # Look up embeddings for inputs and stack words side by side
    embed_words = tf.reshape(tf.nn.embedding_lookup(word_embeddings, train_word_dataset),
                            shape=[int(batch_size/context_window),-1])
    embed_docs = tf.nn.embedding_lookup(doc_embeddings, train_doc_dataset)
    embed = tf.concat(1,[embed_words, embed_docs])
    # Compute the softmax loss, using a sample of the negative labels each time.
    loss = tf.reduce_mean(tf.nn.sampled_softmax_loss(softmax_weights, softmax_biases, embed,
                                   train_labels, num_sampled, vocabulary_size))

    # Optimizer.
    optimizer = tf.train.AdagradOptimizer(1.0).minimize(loss)

更新:

在这里查看 jupyter 笔记本(我有两个模型都在这里工作和测试)。在最初的分析中,感觉 gensim 模型的表现仍然更好。

4

1 回答 1

21

老问题,但答案对未来的访客很有用。所以这里是我的一些想法。

实现中存在一些问题tensorflow

  • window是 1 面大小,所以window=5=5*2+1单词11
  • 请注意,对于 doc2vec 的 PV-DM 版本,这batch_size将是文档的数量。所以train_word_datasetshape 会是batch_size * context_window,而train_doc_datasettrain_labelsshapes 会是batch_size
  • 更重要的sampled_softmax_loss是,不是negative_sampling_loss。它们是 的两种不同的近似值softmax_loss

因此,对于 OP 列出的问题:

  1. doc2vecin的这种实现以tensorflow自己的方式有效且正确,但它与gensim实现和论文都不同。
  2. window如上所述是 1 面尺寸。如果文档大小小于上下文大小,则使用较小的那个。
  3. gensim实施速度更快的原因有很多。首先,gensim经过大量优化,所有操作都比简单的 python 操作更快,尤其是数据 I/O。其次,一些预处理步骤(例如min_count过滤)gensim会减少数据集的大小。更重要的是,gensimusesnegative_sampling_loss比 快得多sampled_softmax_loss,我想这是主要原因。
  4. 当有很多东西时更容易找到吗?开个玩笑 ;-)
    这个非凸优化问题确实有很多解决方案,所以模型只会找到一个局部最优值。有趣的是,在神经网络中,大多数局部最优都“足够好”。已经观察到随机梯度下降似乎比大批量梯度下降找到更好的局部最优值,尽管这在当前研究中仍然是一个谜。
于 2017-08-19T02:44:53.170 回答