Я пытаюсь сравнить мою реализацию реализации Doc2Vec (через tf) и gensims. Кажется, по крайней мере визуально, что gensim работают лучше.
Я проверил следующий код для обучения модели gensim и ниже, приведенной ниже для модели tensorflow. Мои вопросы таковы:
- Правильно ли реализована моя реализация Doc2Vec. В принципе, предполагается, что он будет конкатенировать векторы слов и вектор документа, чтобы предсказать среднее слово в определенном контексте?
- Параметр
window=5
в gensim означает, что я использую два слова с каждой стороны, чтобы предсказать средний? Или это 5 с обеих сторон. Вещи есть довольно много документов, которые меньше длины 10. - Любые идеи относительно того, почему Gensim работает лучше? Моя модель отличается от того, как они ее реализуют?
- Учитывая, что это проблема матричной факторизации, почему модель TF даже получает ответ? Для этого существуют бесконечные решения, так как проблема с дефицитом ранга. < - Этот последний вопрос - просто бонус.
Gensim
model = Doc2Vec(dm=1, dm_concat=1, size=100, window=5, negative=10, hs=0, min_count=2, workers=cores)
model.build_vocab(corpus)
epochs = 100
for i in range(epochs):
model.train(corpus)
TF
batch_size = 512
embedding_size = 100 # Dimension of the embedding vector.
num_sampled = 10 # Number of negative examples to sample.
graph = tf.Graph()
with graph.as_default(), tf.device('/cpu:0'):
# Input data.
train_word_dataset = tf.placeholder(tf.int32, shape=[batch_size])
train_doc_dataset = tf.placeholder(tf.int32, shape=[batch_size/context_window])
train_labels = tf.placeholder(tf.int32, shape=[batch_size/context_window, 1])
# The variables
word_embeddings = tf.Variable(tf.random_uniform([vocabulary_size,embedding_size],-1.0,1.0))
doc_embeddings = tf.Variable(tf.random_uniform([len_docs,embedding_size],-1.0,1.0))
softmax_weights = tf.Variable(tf.truncated_normal([vocabulary_size, (context_window+1)*embedding_size],
stddev=1.0 / np.sqrt(embedding_size)))
softmax_biases = tf.Variable(tf.zeros([vocabulary_size]))
###########################
# Model.
###########################
# Look up embeddings for inputs and stack words side by side
embed_words = tf.reshape(tf.nn.embedding_lookup(word_embeddings, train_word_dataset),
shape=[int(batch_size/context_window),-1])
embed_docs = tf.nn.embedding_lookup(doc_embeddings, train_doc_dataset)
embed = tf.concat(1,[embed_words, embed_docs])
# Compute the softmax loss, using a sample of the negative labels each time.
loss = tf.reduce_mean(tf.nn.sampled_softmax_loss(softmax_weights, softmax_biases, embed,
train_labels, num_sampled, vocabulary_size))
# Optimizer.
optimizer = tf.train.AdagradOptimizer(1.0).minimize(loss)
Обновление:
Посмотрите на ноутбук jupyter здесь (у меня есть обе модели, работающие и протестированные здесь). По-прежнему кажется, что в этом первоначальном анализе улучшается модель gensim.