1

我在text2vec包中使用潜在语义分析来生成词向量并使用转换来适应新数据，当我注意到一些奇怪的东西时，在相同数据上训练时空间没有对齐。

该方法似乎存在一些不一致（或随机性？）。也就是说，即使在完全相同的数据上重新运行 LSA 模型时，尽管输入相同，但得到的词向量也大不相同。环顾四周时，我只发现了这些旧的已关闭 github 问题链接 链接，并且在更新日志中提到了有关 LSA 正在清理的内容。我使用 movie_review 数据集和文档中的（稍作修改）代码重现了该行为：

library(text2vec)
packageVersion("text2vec") # ‘0.5.1’
data("movie_review")
N = 1000
tokens = word_tokenizer(tolower(movie_review$review[1:N]))
it=itoken(tokens)
voc = create_vocabulary(it) %>% prune_vocabulary(term_count_min = 5, doc_proportion_max =0.9)
vectorizer = vocab_vectorizer(voc)
tcm = create_tcm(it, vectorizer)
# edit: make tcm symmetric:
tcm = tcm + Matrix::t(Matrix::triu(tcm)) 
n_topics = 10
lsa_1 = LatentSemanticAnalysis$new(n_topics)
d1 = lsa_1$fit_transform(tcm)
lsa_2 = LatentSemanticAnalysis$new(n_topics)
d2 = lsa_2$fit_transform(tcm)

# despite being trained on the same data, words have completely different vectors:
sim2(d1["film",,drop=F], d2["film",,drop=F])
# yields values like -0.993363 but sometimes 0.9888435 (should be 1)

mean(diag(sim2(d1, d2))) 
# e.g. -0.2316826
hist(diag(sim2(d1, d2)), main="self-similarity between models")
# note: these numbers are different every time!

# But: within each model, results seem consistent and reasonable:
# top similar words for "film":
head(sort(sim2(d1, d1["film",,drop=F])[,1],decreasing = T))
#    film     movie      show     piece territory       bay 
# 1.0000000 0.9873934 0.9803280 0.9732380 0.9680488 0.9668800 

# same in the second model:
head(sort(sim2(d2, d2["film",,drop=F])[,1],decreasing = T))
#      film     movie      show     piece territory       bay 
#  1.0000000 0.9873935 0.9803279 0.9732364 0.9680495 0.9668819

# transform works:
sim2(d2["film",,drop=F], transform(tcm["film",,drop=F], lsa_2 )) # yields 1

# LSA in quanteda doesn't have this problem, same data => same vectors
library(quanteda)
d1q = textmodel_lsa(as.dfm(tcm), 10)
d2q = textmodel_lsa(as.dfm(tcm), 10)
mean(diag(sim2(d1q$docs, d2q$docs)))  # yields 1
# the top synonyms for "film" are also a bit different with quanteda's LSA
#   film     movie      hunk      show territory       bay 
# 1.0000000 0.9770574 0.9675766 0.9642915 0.9577723 0.9573138

这是怎么回事，它是一个错误，这是出于某种原因的预期行为，还是我有一个巨大的误解？（我有点希望后者......）。如果是有意的，为什么 quanteda 的行为会有所不同？

4

2 回答 2

1

问题是您的矩阵似乎病态，因此您有数值稳定性问题。

library(text2vec)
library(magrittr)
data("movie_review")
N = 1000
tokens = word_tokenizer(tolower(movie_review$review[1:N]))
it=itoken(tokens)
voc = create_vocabulary(it) %>% prune_vocabulary(term_count_min = 5, doc_proportion_max =0.9)
vectorizer = vocab_vectorizer(voc)
tcm = create_tcm(it, vectorizer)

# condition number
kappa(tcm)
# Inf

现在，如果您要执行截断 SVD（LSA 后面的算法），您会注意到奇异向量非常接近于零：

library(irlba)
truncated_svd = irlba(tcm, 10)
str(truncated_svd)
# $ d    : num [1:10] 2139 1444 660 559 425 ...
# $ u    : num [1:4387, 1:10] -1.44e-04 -1.62e-04 -7.77e-05 -8.44e-04 -8.99e-04 ...
# $ v    : num [1:4387, 1:10] 6.98e-20 2.37e-20 4.09e-20 -4.73e-20 6.62e-20 ...
# $ iter : num 3
# $ mprod: num 50

因此，嵌入的符号不稳定，它们之间的余弦角也不稳定。

于 2019-02-18T19:43:55.527 回答
0

类似于它在 Python 中的 sklearn 中的工作方式，在 R 中使用截断的 SVD 函数具有内置的随机数函数。这两者使它在大型模型构建中如此强大，但对于较小的用途则有些困难。如果set.seed()在创建 SVD 矩阵之前将值设置为种子，则应该没有问题。这曾经让我在做 LSA 时感到害怕。

让我知道这是否有帮助！

于 2019-09-17T13:20:02.250 回答