3 basic approaches in Bag of Words which are better than Word Embeddings
现如今大家都在讨论词（或字符、句子、文档）嵌入技术，词袋模型还有使用的价值吗？我们需要在任何场景中都使用词嵌入吗？
读完这篇博文，你将会知道：
• 为什么人们说词嵌入可以直接而轻松地解决问题？
• 什么情况下词袋模型比词嵌入更具优势？
• 词袋模型中的三种基本方法
• 我们如何通过几行代码就可以建立词袋模型？
一. 为什么词嵌入可以直接而轻松地解决问题？
在最近的NLP领域中，嵌入技术（Embedding）是解决文本相关问题的成功方法,并且其效果优于词袋模型（BoW）。确实，词袋模型在应用上是有一些限制的，比如巨大的特征维数，稀疏表示等等，词嵌入可以很好地解决这些问题。
那么，我们是否还需要词袋模型呢？实际上，在某些情况下，词袋模型会表现地更好。
二. 何时词袋模型比词嵌入更具优势？
在以下情况下，您更倾向使用词袋模型而不是词嵌入：
- 建立一个基线（baseline）模型。通过使用scikit-learn，只需要几行代码就可以构建模型。之后可以用深度学习的方法来改进它。
- 如果你的数据集很小并且上下文是特定领域的，那么词袋模型会比词嵌入更有效。上下文是非常特定的领域，这意味着你无法从预先训练好的词嵌入模型（比如GloVe, fastText等）中找到相应的向量。
三. 我们如何通过几行代码就可以建立词袋模型?
通过使用传统的机器学习库，有三种简单的方式可以构建词袋模型。
1.Count Occurrence
计算单词出现的次数。使用这种方法的原因是关键字或重要信息会反复出现。所以如果出现的次数代表了单词的重要性。更高的频率意味着更高的重要性。
doc = "In the-state-of-art ofthe NLP field, Embedding is the \
success way to resolve text relatedproblem and outperform \
Bag of Words ( BoW ). Indeed, BoWintroduced limitations \
large feature dimension, sparserepresentation etc."
count_vec = CountVectorizer()
count_occurs =count_vec.fit_transform([doc])
count_occur_df = pd.DataFrame(
(count, word) for word, count in
zip(count_occurs.toarray().tolist()[0],
count_vec.get_feature_names()))
count_occur_df.columns = ['Word','Count']
count_occur_df.sort_values('Count',ascending=False, inplace=True)
count_occur_df.head()
输出结果：
Word: "of", Occurrence: 3
Word: "bow", Occurrence: 2
Word: "way", Occurrence: 1
2.Normalized Count Occurrence
如果你认为一些出现频率极高的词可能会影响结果并导致模型偏差。运用归一化（Normalization）可以解决这个问题。
doc = "In the-state-of-art ofthe NLP field, Embedding is the \
success way to resolve text relatedproblem and outperform \
Bag of Words ( BoW ). Indeed, BoWintroduced limitations \
large feature dimension, sparserepresentation etc."
norm_count_vec = TfidfVectorizer(use_idf=False,norm='l2')
norm_count_occurs =norm_count_vec.fit_transform([doc])
norm_count_occur_df = pd.DataFrame(
(count, word) for word, count in zip(
norm_count_occurs.toarray().tolist()[0],
norm_count_vec.get_feature_names()))
norm_count_occur_df.columns =['Word', 'Count']
norm_count_occur_df.sort_values(
'Count', ascending=False, inplace=True)
norm_count_occur_df.head()
输出结果：
Word: "of", Occurrence:0.4286
Word: "bow", Occurrence:0.4286
Word: "way", Occurrence:0.1429
3.Term Frequency-Inverse Document Frequency (TF-IDF) 词频-逆文档频率算法
TF-IDF采取另一种方法，认为高频率可能无法提供大量信息增益。换句话说，罕见的词语为模型贡献了更多的权重。
在同一文档中（即同一训练record），词的重要性会随着出现次数的增加而提高。另一方面，如果在语料库中（即其他的训练record），词的重要性会随着出现次数的增加而降低。
doc = "In the-state-of-art ofthe NLP field, Embedding is the \
success way to resolve text relatedproblem and outperform \
Bag of Words ( BoW ). Indeed, BoWintroduced limitations \
large feature dimension, sparserepresentation etc."
tfidf_vec = TfidfVectorizer()
tfidf_count_occurs =tfidf_vec.fit_transform([doc])
tfidf_count_occur_df = pd.DataFrame(
(count, word) for word, count in zip(
tfidf_count_occurs.toarray().tolist()[0],
tfidf_vec.get_feature_names()))
tfidf_count_occur_df.columns =['Word', 'Count']
tfidf_count_occur_df.sort_values('Count',ascending=False, inplace=True)
tfidf_count_occur_df.head()
输出结果（结果与归一化计数（normalized count occurrence）完全相同，因为演示代码仅包含一个文档）
Word: "of", Occurrence:0.4286
Word: "bow", Occurrence:0.4286
Word: "way", Occurrence:0.1429
四. 代码
此示例代码将在Count Occurrence，Normalized Count Occurrence和TF-IDF之间进行比较。
如下的示例函数通过使用不同的矢量化方法来构建模型
def build_model(mode):
# Intent to use default paramaters for show case
vect = None
if mode == 'count':
vect = CountVectorizer()
elif mode == 'tf':
vect = TfidfVectorizer(use_idf=False,norm='l2')
elif mode == 'tfidf':
vect = TfidfVectorizer()
else:
raise ValueError('Mode should be eithercount or tfidf')
return Pipeline([
('vect', vect),
('clf' ,LogisticRegression(solver='newton-cg',n_jobs=-1))
])
有另一个示例函数来构建一个端到端的pipeline
def pipeline(df, mode):
x = preprocess_x(df)
y = preprocess_y(df)
model_pipeline = build_model(mode)
cv = KFold(n_splits=10, shuffle=True)
scores = cross_val_score(
model_pipeline, x, y, cv=cv,scoring='accuracy')
print("Accuracy: %0.4f (+/- %0.4f)" % (
scores.mean(), scores.std() * 2))
return model_pipeline
让我们检查一下我们需要处理的总的单词数量
x = preprocess_x(x_train)
y = y_train
model_pipeline =build_model(mode='count')
model_pipeline.fit(x, y)
print('Number of Vocabulary: %d'%(len(model_pipeline.named_steps
['vect'].get_feature_names())))
输出结果
Number of Vocabulary: 130107
通过传递不同的参数mode = “count” (Count Occurrence), “tf”(Normalized Count Occurrence) 或者 “tfidf”(TF-IDF)来调用pipeline模型。
print('Using Count Vectorizer------')
model_pipeline = pipeline(x_train,y_train, mode='count')
print('Using TF Vectorizer------')
model_pipeline = pipeline(x_train,y_train, mode='tf')
print('Using TF-IDFVectorizer------')
model_pipeline = pipeline(x_train,y_train, mode='tfidf')
结果是：
Using Count Vectorizer------
Accuracy: 0.8892 (+/- 0.0198)
Using TF Vectorizer------
Accuracy: 0.8071 (+/- 0.0110)
Using TF-IDF Vectorizer------
Accuracy: 0.8917 (+/- 0.0072)
五. 结论
您可以在GitHub查看所有的代码。
https://github.com/makcedward/nlp/blob/master/sample/nlp-bag_of_words.ipynb
根据以往的经验，我试图通过简短的描述来解决产品类别分类的问题。例如，给出“FreshApple”，期望分配的类别是“Fruit”。通过仅使用计数出现次数的方法就已经能够达到80%以上的准确率。
在这种情况下，由于每个训练记录的单词数量只是几个单词（从2个单词到10个单词）。使用词嵌入可能不是一个好方法，因为没有太多的上下文（单词）来训练词向量。
另一方面，scikit-learn提供了其他参数来进一步优化模型输入。您可能需要查看以下特征：
• ngram_range: 除了使用单个单词，也可以定义ngram
• binary: 除了计数出现的次数之外，还可以选择二元表示。
• max_features: 不使用单词表的所有单词，可以选择最大数量的单词来减少模型的复杂性和大小。
此外，还可以在上面的scikit-learn库中执行一些预处理步骤，不需要自己处理。例如，删除停止词（stop word），单词变为小写等等。为了获得更好的灵活性，我将使用自己的代码来完成预处理步骤（参见GitHub）。
原文发布时间为：2018-08-04
本文作者：Edward Ma
本文来自云栖社区合作伙伴“专知”，了解相关信息可以关注“专知”
