鸟枪换炮,如何在推荐中发挥AI Lab开源中文词向量的威力?

栏目: 软件资讯 · 发布时间: 5年前

内容简介:导读:本文是“深度推荐系统”专栏的第二篇文章,这个系列将介绍在深度学习的强力驱动下,给推荐系统工业界所带来的最前沿的变化。本文则结合作者在工作中的经验总结,着重于介绍在推荐系统中如何使用腾讯AI Lab开源的中文词向量。欢迎转载,转载请注明出处以及链接,更多关于深度推荐系统优质内容请关注如下频道。知乎专栏:深度推荐系统

导读:本文是“深度推荐系统”专栏的第二篇文章,这个系列将介绍在深度学习的强力驱动下,给推荐系统工业界所带来的最前沿的变化。本文则结合作者在工作中的经验总结,着重于介绍在推荐系统中如何使用腾讯AI Lab开源的中文词向量。

欢迎转载,转载请注明出处以及链接,更多关于深度推荐系统优质内容请关注如下频道。

知乎专栏:深度推荐系统

微博:深度传送门

公众号:深度传送门

近年来,深度学习技术在自然语言处理领域中得到了广泛应用。用深度学习技术来处理自然语言文本,离不开文本的向量化,即把一段文本转化成一个n维的向量。在当前“万物皆可embedding”的思想领导下,词向量既是NLP领域中一个非常基础的工具,也是推荐、广告等业务场景中用于召回以及 排序 等阶段的简单且实用的核武器,主要用于进行语义相似度度量等。

词向量的核心是word2vec[1],相应原理介绍不是本文介绍的重点。常用的训练 工具 有gensim,fasttext等,一般的训练步骤包括:收集语料 --> 文本过滤 --> 分词 --> 去除停用词 --> 训练模型。

目前,针对英语环境,工业界和学术界已发布了一些高质量的词向量数据,并得到了广泛的使用和验证。其中较为知名的有谷歌公司基于word2vec算法[1]、斯坦福大学基于GloVe算法[2]、Facebook基于fastText项目[3]发布的数据等。然而,目前公开可下载的中文词向量数据还比较少,并且数据的词汇覆盖率有所不足,

腾讯AI Lab开源中文词向量

腾讯AI Lab采用自研的Directional Skip-Gram (DSG)算法 [4] 作为词向量的训练算法。DSG算法基于基本的Skip-Gram,在文本窗口中词对共现关系的基础上,额外考虑了词对的相对位置,以提高词向量语义表示的准确性。

数据简介: mp.weixin.qq.com/s/2Sto

数据下载地址: ai.tencent.com/ailab/nl

索引词库大小:800w;词向量维度:200

如何在推荐中使用开源词向量

在推荐系统的基于内容召回策略中,一般需要根据用户已经点击过的文章所包含的tag词或者主题,为用户推荐与点击历史中最相似的文章。 其中有一种做法就是从文章中抽取T个tag相应的词向量来表示这篇文章的文章向量 (如vec_doc = w1 * vec_t1 + w2 * vec_t2 + ...,这里w1,w2是文章中tag词相应的权重); 然后,根据用户的点击历史计算文章向量的相似度,取topk个返回 。下面主要实际业务场景中简单的使用步骤:

  • 向量裁剪: 从腾讯AI Lab官网下载下来的原始词向量库比较大,16G并且包含大量的停用词。这里可首先计算自己业务场景的tag库与这份开源中文自己向量的tag集合之间的交集得到裁剪后的向量库。

  • 加载词向量: 可以使用gensim进行加载。可以参考gensim使用手册: radimrehurek.com/gensim

from gensim.models.word2vec import KeyedVectors
wv_from_text = KeyedVectors.load_word2vec_format('Tencent_AILab_ChineseEmbedding.txt', binary=False)
  • 部分测试数据

model=wv_from_text.wv

print(model.most_similar("如懿传"))
[('海上牧云记', 0.8060665130615234), ('孤芳不自赏', 0.7940512299537659),
('醉玲珑', 0.7932543754577637), ('凰权', 0.7888569831848145),
('古装剧', 0.7873178720474243), ('琅琊榜2', 0.7863854765892029),
('延禧攻略', 0.7858327031135559), ('那年花开月正圆', 0.7804251909255981),
('大剧', 0.7796347737312317), ('凤囚凰', 0.7741515040397644)]

print(model.similarity("郭靖","黄蓉"))
0.9186713635202067

print(model.n_similarity(["中国","北京"],["俄罗斯","莫斯科"]))
0.6441469472853117

print(model.doesnt_match(["洪七公","王重阳","郭靖","黄药师"]))
王重阳

工业实际应用注意事项

实际使用中我们发现业务场景的tag覆盖率与文章覆盖率都有极大比例的提升。同时也带来了业务CTR的明显提升。

  • 总体老说腾讯AI Lab开源的这份中文词向量的覆盖度比较高,精度也比较高。但是词向量里含有大量停用词,导致文件比较大加载速度较慢(数分钟),而且内存消耗较大,实际使用时根据场景需要裁剪以节省性能;

  • 根据不同领域的情况,有可能某些特定垂直领域的词语之间的相关性计算不是特别准,需要根据业务场景需要加入相应的语料进行增量训练后再使用;

  • 另外,随着时间的推移会不断出现新词,物名,人名等,就需要重新训练模型。如果后期AI Lab不再更新维护这份词向量的话,则需要自己进行维护迭代升级。

参考文献

  1. Distributed Representations of Words and Phrases and their Compositionality

  2. GloVe: Global Vectors for Word Representation

  3. Enriching Word Vectors with Subword Information

  4. Yan Song, Shuming Shi, Jing Li, and Haisong Zhang. Directional Skip-Gram: Explicitly Distinguishing Left and Right Context for Word Embeddings. NAACL 2018


以上所述就是小编给大家介绍的《鸟枪换炮,如何在推荐中发挥AI Lab开源中文词向量的威力?》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

大思维:集体智慧如何改变我们的世界

大思维:集体智慧如何改变我们的世界

杰夫·摩根 / 郭莉玲、尹玮琦、徐强 / 中信出版集团股份有限公司 / 2018-8-1 / CNY 65.00

智能时代,我们如何与机器互联,利用技术来让我们变得更聪明?为什么智能技术不会自动导致智能结果呢?线上线下群体如何协作?社会、政府或管理系统如何解决复杂的问题?本书从哲学、计算机科学和生物学等领域收集见解,揭示了如何引导组织和社会充分利用人脑和数字技术进行大规模思考,从而提高整个集体的智力水平,以解决我们时代的巨大挑战。是英国社会创新之父的洞见之作,解析企业、群体、社会如何明智决策、协作进化。一起来看看 《大思维:集体智慧如何改变我们的世界》 这本书的介绍吧!

JS 压缩/解压工具
JS 压缩/解压工具

在线压缩/解压 JS 代码

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具

RGB CMYK 转换工具
RGB CMYK 转换工具

RGB CMYK 互转工具