基于word2vec的文档向量模型的应用

word2vec的原理以及训练过程具体细节就不介绍了，推荐两篇文档：《word2vec parameter learning explained》、和《word2vec中的数学》。

在《word2vec中的数学》中谈到了训练语言模型的一些方法：比如n-gram和神经网络。在使用神经网络训练语言模型时得到的"副产物"，就是word2vec词向量。基于神经网络训练语言模型有2种方案：cbow和skip-gram，它们是在这篇文章《A neural probabilistic language model》基础上对训练过程提出的改进方案。这里简单讲一下cbow的训练过程：

训练过程

输入层：将词w的上下文的2c个词的词向量作为输入：\(v(context(w)_1)，v(context(w)_2)，...v(context(w)_{2c})\)

随机初始化这2c个词的词向量
投影层：将输入层的2c 个词向量累加求和

投影层对词向量累加求和，这丢失了词的顺序信息。比如说：“我爱你们” 和“你们爱我” 这三个词的词向量累加求和得到的词向量是相同的。
输出层：赫夫曼树

基于Huffman树进行二分类，构造目标函数，并采用梯度算法最优化目标函数得到模型参数

训练语料与训练参数

训练语料需要预先分词。所有的词组成的集合，称为词库。赫夫曼树的每个叶子结点就代表词库中的一个词。训练的话，可采用gensim或者其他工具（比如HanLP word2vec）。注意几个训练参数：

size 生成的词向量的维度，比如300维、100维等等，不需要太大。因为word2vec词向量并不是 one-hot representation 而是distribution representation。
window 参与训练的上下文词的个数(Set max skip length between words)。其实就是上面提到的 c
iter 迭代次数
min_count 训练过程会根据词出现的频率构造Huffman树，对于那些低频词(小于min_count)，不参与构造Huffman树，从而减少了Huffman树的高度。This will discard words that appear less than min_count times
cbow 采用cbow模型训练

训练完成后，词库中每个词，都对应着一个相同维度的float数值向量。计算两个词的相似度，就是计算两个词所对应的数值向量夹角的余弦。

句向量DocVectorModel

在实际应用场景中，用户输入并不是一个个的词，而是句子(若干个词)。比如一个用户资料下的个人说明，就是一句自我介绍的话；用户的一段评论，也是一句话…

如果要计算两个句子的相似度，那怎么办呢？这个需要根据实际需求场景了。比如对句子进行关键词提取，采用word2vec计算关键词的相似度作为句子的相似度。

或者再简单一点（HanLP中的DocVectorModel实现），直接对句子分词，得到若干个词，然后对每个词的词向量累加，作为整个句子的"句向量"，然后计算2个句向量的余弦相似度即可。比如计算这2个句子的相似度：docVectorModel.similarity("我爱你们", "你们爱我")

    public Vector query(String content)

    {

        if (content == null || content.length() == 0) return null;\

        //对句子进行分词，我爱你们--->["我"、"爱"、"你们"]

        List<Term> termList = NotionalTokenizer.segment(content);

        Vector result = new Vector(dimension());

        int n = 0;

        for (Term term : termList)

        {

            //从word2vec词典中查出这个词的 词向量

            Vector vector = wordVectorModel.vector(term.word);

            if (vector == null)

            {

                //如果这是一个oov词,则直接忽略

                continue;

            }

            ++n;

            //将 句子分词后的每个词 的词向量 相加

            result.addToSelf(vector);

        }

        if (n == 0)

        {

            return null;

        }

        //归一化

        result.normalize();

        //句子--->分词--->查询词向量--->词向量相加作为"句向量"

        return result;

    }

值得注意的是，word2vec中存在的OOV问题，有没有其他更好的处理方案？参考：HanLP github issue 上的一个疑问

得到句子(文档)的向量表示后，计算余弦相似度，就能比较两个句子了。

    /**

     * 文档相似度计算

     * @param what

     * @param with

     * @return

     */

    public float similarity(String what, String with)

    {

        //what 文档的 向量

        Vector A = query(what);

        if (A == null) return -1f;

        //to 文档的 向量

        Vector B = query(with);

        if (B == null) return -1f;

        //计算余弦相似度

        return A.cosineForUnitVector(B);

    }

应用

在基于ElasticSearch的文本搜索中，文档的相关性得分计算主要是基于TF-IDF或者BM25实现的：有时为了capture 查询字符串与文档之间的一些语义信息，以提高搜索的召回率，那就可以采用 DocVectorModel 来额外召回一些文档。

这里需要考虑的是：是否要训练自己的word2vec模型？还是直接采用第三方提供的（开源的基于维基百科训练的）？在把文档index到ES中去时，将文档的"句向量"计算好，存储到Mapping字段中。查询时，可基于script_score来做二次评分(对搜索的响应时间的影响？)，总之算是一个尝试吧。