使用PV-DM模型进行文本向量训练

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第12天，github-DSXiangLi-Embedding-doc2vec

模型

PV-DM 训练

在CBOW的基础上,PV-DM加入了paragraph-id，每个ID对应训练集一个文本，可以是一句话，一个段落或者一条新闻对应。paragraph-id和词一样通过embedding矩阵得到唯一的对应向量。然后以concat或者average pooling的方式和CBOW设定窗口内的单词向量进行融合，通过softmax来预测窗口中间词。

这个paragraaph-id具体做了啥嘞？这里需要回顾下word2vec的word embedding是如何通过back propogation得到的。不清楚的可以来这里回顾下哟无所不能的Embedding 1. Word2vec模型详解&代码实现

第一步hidden->output更新output embedding矩阵，在CBOW里h只是window_size内词向量的平均，而在PV-DM中，$h$包含了paragraph-id映射得到的文本向量，这个向量是整个paragraph共享的，所以在窗口滑动的时候会保留部分paragraph的主题信息，这部分信息会用于output embedidng的更新。

$$v_{w^{{}^{\prime }}j}^{(new)}=v_{w^{{}^{\prime }}j}^{(old)}-\eta \cdot e_j\cdot h$$

第二步input->hidden更新input embedding矩阵, 前一步学到的主题信息会反过来用于input embedding的更新，让同一个paragraph里的单词都学到部分主题信息。而paragraph-id本身对应的向量在每个滑动窗口都会被更新一次，更新用到之前paragraph的信息和窗口内的词向量信息。

$$v_{w_I}^{(new)}=v_{w_I}^{(old)}-\eta \cdot \sum _{j=1}^V{e}_j\cdot v_{w^{{}^{\prime }}j}$$

之前有看到把paragraph-id对应向量的信息说成上下文信息，但感觉会有点高估PV-DM的效果，因为这里依旧停留在词袋模型，并没有考虑真正考虑到词序信息。只是通过不同paragraph对应不同的向量，来区分相同单词在不同主题内的词共现信息的差异，更近似于从概率到条件概率的改变。而paragrah-id对应的vector，感觉更多是以比较玄妙的方式得到的加权的word embedding。

PV-DBOW训练

PV-DBOW和Skip-gram的结构近似,skip-gram是中间词预测上下文, PV-DBOW则是用paragraph对应向量来预测文本中的任意词汇。和上面的PV-DM相比，也就是进一步省略了window内的词汇，所以优点就是训练所需内存占用会更少。

作者表示多数情况下PV-DM都要比PV-DBOW要好。不过二者一起使用，得到两个文本向量后做concat，再用于后续的监督学习效果最好。

模型预测

doc2vec和word2vec一个明显的区别，就是对样本外的文本向量是需要重新训练的。以PV-DM为例，在infer阶段，我们会把单词的input embedding，output embedding,以及bias都freeze，只对样本外的document embedding进行训练，因此doc2vec的预测部分是相对耗时的，因为也需要一定数量的epochs来保证样本外的document embedding收敛。这个特点部分降低了doc2vec在实际应用中的可用性。

Gensim实践

这里我们基于Gensim提供的word2vec和doc2vec模型，我们分别对搜狗新闻文本向量的建模，对比下二者在文本向量和词向量相似召回上的差异。

训练集测试集对比

上面提到Doc2vec用PV-DM训练会得到训练集的embedding，对样本外文本则需要重新训练得到预测值。基于doc2vec这个特点,我们来对比下同一个文本，训练的embedding和infer的 embedding是否存在差异。代码里我们默认样本内文本可以通过传入tag得到，这个和gensim的TaggedDocument逻辑一致，而样本外文本需要直接传入分词tokens。所以只需把训练样本从token传入，再按相似度召回最相似的文本即可。这里infer的epochs和训练epochs一致.

在以上的结果中，我们发现同一文本，样本内和样本外的cosine相似度高达0.98，虽然infer和训练embedding不完全一致，但显著高于和其他文本的相似度。这个测试不能用来衡量模型的准确性，但可以作为sanity check。

文本向量对比

我们对比下Doc2vec和Word2vec得到的文本向量，在召回相似文本上的表现。先看短文本，会发现word2vec和doc2vec表现相对一致，召回的相似文本一致，因为对短文本来说上下文信息的影响会小。

在长文本上（文本太长不方便展示，详见JupyterNotebook）,word2vec和doc2vec差异较明显，但在随机选取的几个case上，并不能明显感知到doc2vec在长文本上的优势，当然这可能和模型参数选择有关。

对此更有说服力的应该是Google【Ref2】对几个文本向量模型在wiki和arivx数据集的召回对比，他们分别对比了LDA,doc2vec,average word embedding和BOW。 虽然doc2vec在两个数据集的准确度都是最高的。。。算了把accuracy放上来大家自己感受下吧。。。doc2vec的优势真的并不明显。。。再一看呦呵最佳embedding size=10000，莫名有一种大力出奇迹的感觉。。。

词向量对比

考虑我们用的PV-DM建模在训练文本向量的同时也会得到词向量，这里我们对比下在相同corpus，相同参数的word2vec和doc2vec得到的词向量的差异。

考虑北京今年雨水多到的让我以为到了江南，我们来看下下雨类词汇召回的top10相似的词，由上到下按词频从高到低排序。

比较容易发现对于高频词，Doc2vec和word2vec得到的词向量相似度会更接近，也比较符合逻辑因为高频词会在更多的doc中出现，因此受到document vector的影响会更小（被平均）。而相对越低频的词，doc2vec学到的词向量表达，会带有更多的主题信息。如果说word2vec是把语料里所有的document混在一起训练得到general的词向量表达，doc2vec更类似于学到conditional的词向量表达。所以脱离当前语料，doc2vec的词向量实用价值比较玄学，因为不太说的清楚它到底是学到的了啥。

整体看来PV-DM/DBOW没有特别眼前一亮的感觉，不过毕竟是14年的论文了，这只是文本表征的冰山一角，后面还能扯出一系列的encoder-decoder，transformer框架啥的。预知后事如何，咱慢慢往后瞧着～

欢迎留言吐槽以及评论哟～

无所不能的embedding系列👇
github.com/DSXiangLi/E…
无所不能的Embedding1 – Word2vec模型详解&代码实现
无所不能的Embedding2 – FastText词向量&文本分类

Reference

1. Quoc V. Le and Tomas Mikolov. 2014. Distributed representations of sentences and documents. [Google]
2. Andrew M Dai, Christopher Olah, Quov. 2015. Document Embedding with Paragraph Vectors[Google]
3. Sanjeev Arora, Yingyu Liang, and Tengyu Ma. 2017. A simple but tough-to-beat baseline for sentence embeddings .
4. Han Jey Lau and Timothy Baldwin. 2016. An Empirical Evaluation of doc2vec with Practical Insights into Document Embedding[IBM]
5. Craig w. 2019. Improving a tf-idf weighted document vector embedding.tripAdvisor
6. radimrehurek.com/gensim/mode…
7. zhuanlan.zhihu.com/p/50443871
8. www.bookstack.cn/read/huaxia…
9. supernlp.github.io/2018/11/26/…
10. d0evi1.com/paragraph2v…