“将单词转换为矢量”组件

本文介绍如何使用 Azure 机器学习设计器中的“将单词转换为矢量”组件来执行以下任务：

• 将各种 Word2Vec 模型（Word2Vec、FastText、GloVe 预训练模型）应用到指定为输入的文本语料库。
• 生成具有单词嵌入的词汇表。

此组件使用 Gensim 库。 有关 Gensim 的详细信息，请查看其官方网站，该网站提供了教程和算法说明。

详细了解如何将单词转换为矢量

将单词转换为矢量（也称单词矢量化）是一种自然语言处理 (NLP) 过程。 此过程使用语言模型将单词映射为矢量空间。 矢量空间用实数矢量表示每个单词。 它还允许含义相似的单词使用相似的表示形式。

使用单词嵌入作为 NLP 下游任务（例如文本分类和情绪分析）的初始输入。

在各种单词嵌入技术中，此组件实现三种广泛使用的方法。 两种（Word2Vec 和 FastText）是在线训练模型。 另一种是预训练模型，即 glove-wiki-gigaword-100。

在线训练模型针对输入数据进行训练。 预训练模型针对较大的文本语料库（例如维基百科、Google 新闻）进行离线训练，该库通常包含大约 1000 亿个单词。 单词嵌入在单词矢量化期间保持不变。 预训练单词模型可带来减少训练时间、更好地对单词矢量进行编码以及提高整体性能等好处。

下面是有关方法的一些信息：

• Word2Vec 是使用浅层神经网络学习单词嵌入的最流行方法之一。 以下论文讨论了相关理论，可供你以 PDF 格式下载：高效评估矢量空间中的单词表示形式。 此组件中的实现基于适用于 Word2Vec 的 Gensim 库。

• 以下论文对 FastText 理论进行了说明，可供你以 PDF 格式下载：使用子词信息扩充单词矢量。 此组件中的实现基于适用于 FastText 的 Gensim 库。

• GloVe 预训练模型是 glove-wiki-gigaword-100。 它是基于维基百科文本语料库的预训练矢量的集合，其中包含 56 亿个令牌和 400,000 个无大写的词汇。 下面是可供你以 PDF 格式下载的文章：GloVe:Global Vectors for Word Representation（GloVe：单词表示形式的全局矢量）。

如何配置将单词转换为矢量

此组件需要包含文本列的数据集。 经过预处理的文本更合适。

1. 将“将单词转换为矢量”组件添加到管道中。

2. 请提供包含一个或多个文本列的数据集作为组件的输入。

3. 对于“目标列”，请仅选择包含要处理的文本的一列。

   由于此组件从文本创建词汇，列的内容不同会导致词汇内容不同。 因此此组件只接受一个目标列。

4. 对于“Word2Vec 策略”，请从“GloVe 预训练英语模型”、“Gensim Word2Vec”和“Gensim FastText”中进行选择。

5. 如果“Word2Vec 策略”为“Gensim Word2Vec”或“Gensim FastText” ，请执行以下操作：

   • 对于“Word2Vec 训练算法”，请从“Skip_gram”和“CBOW”中进行选择。 原始论文 (PDF) 中介绍了两者的差异。

     默认方法是 Skip_gram。

   • 对于“单词嵌入长度”，请指定单词矢量的维数。 此设置对应于 Gensim 中的 size 参数。

     默认嵌入大小为 100。

   • 对于“上下文窗口大小”，请指定要预测的单词和当前单词之间的最大距离。 此设置对应于 Gensim 中的 window 参数。

     默认窗口大小为 5。

   • 对于“epoch 数”，请指定语料库的 epoch（迭代）次数。 对应于 Gensim 中的 iter 参数。

     默认 epoch 数为 5。

6. 对于“最大词汇表大小”，请指定生成的词汇表中的最大单词数。

   如果有超出最大大小的非重复单词，则删除不常用的单词。

   默认词汇表大小为 10,000。

7. 对于“最小单词计数”，请提供最小单词计数。 组件将忽略频率低于此值的所有单词。

   默认值为 5。

8. 提交管道。

示例

此组件的输出为：

• 具有嵌入的词汇表：包含生成的词汇表以及每个单词的嵌入。 一个维度占用一列。

以下示例演示了“将单词转换为矢量”组件的工作原理。 它使用“将单词转换为矢量”，默认设置为预处理的维基百科 SP 500 数据集。

源数据集

该数据集包含一个类别列，以及从维基百科提取的全文。 下表展示了几个典型示例。

具有嵌入的输出词汇表

下表包含以维基百科 SP 500 数据集为输入的组件输出。 最左侧的列表示词汇表， 其嵌入矢量由同一行中其余列的值表示。

在此示例中，我们使用了默认的“Gensim Word2Vec”作为“Word2Vec 策略”，并且“训练算法”为“Skip-gram”。 “单词嵌入长度”为 100，因此我们有 100 个嵌入列。

技术说明

本部分包含常见问题的提示和解答。

• 在线训练模型和预训练模型之间的差异：

  在此“将单词转换为矢量”组件中，我们提供了三种不同的策略：两种在线训练模型和一种预训练模型。 在线训练模型将输入数据集用作训练数据，并在训练过程中生成词汇表和单词矢量。 预先训练的模型已由更大的文本库（如维基百科或 X 文本）训练。 预训练模型实际上是单词/嵌入对的集合。

  GloVe 预训练模型从输入数据集汇总词汇表，并为预训练模型中的每个单词生成嵌入矢量。 使用预训练模型时无需在线训练，可以节省训练时间。 预训练模型的性能更好，尤其是在输入数据集大小相对较小的情况下。

• 嵌入大小：

  一般而言，单词嵌入长度设置为几百。 例如 100、200、300。 较小的嵌入大小意味着较小的矢量空间，这可能会导致单词嵌入冲突。

  对于预训练模型，单词嵌入长度是固定的。 在此示例中，glove-wiki-gigaword-100 的嵌入大小为 100。

后续步骤

请参阅 Azure 机器学习可用的组件集。

如需特定于设计器组件的错误列表，请参阅机器学习错误代码。