【干货】NLP中“词袋”模型和词嵌入模型的比较（附代码）- 专知

会员服务 ·

【干货】NLP中“词袋”模型和词嵌入模型的比较（附代码）

专知出品

【导读】词袋模型和词向量表示是自然语言处理中最常用的特征表示方法，但这两种方法各适用于哪些不同的任务，有什么区别，作者Edward Ma详细讲解了这两类使用技巧。什么情况下词袋模型比词嵌入更具优势，值得大家学习和收藏！

作者 | Edward Ma

编译 | 专知

翻译 | Mandy

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：

1. 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。

2. 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)