python算法学习双曲嵌入论文方法与代码解析说明

本篇接上一篇：

1. 方法说明

首先学习相关的论文中的一些知识，并结合进行代码的编写。文中主要使用poincaré embedding。

对应的python代码为：

def dist1(vec1, vec2): # eqn1 
    diff_vec = vec1 - vec2
    return 1 + 2 * norm(diff_vec) / ((1 - norm(vec1)) * (1 - norm(vec2)))

损失函数

我们想要寻找最优的embedding，就需要构建一个损失函数，目标是使得相似词汇的embedding结果，尽可能接近，且层级越高（类别越大）的词越靠近中心。我们需要最小化这个损失函数，从而得到embedding的结果。

其实在传统的词嵌入中，我们也是用上述的损失函数，但距离选用的是余弦距离。

梯度下降

后面将使用梯度下降方法进行求解迭代。

由于是将欧氏空间计算得到的梯度在黎曼空间中进行迭代，由上文的(1)式，我们有：

梯度求解

202111595310129

对应的更新函数在python中设置如下：

# 范数计算
def norm(x):
    return np.dot(x, x)

# 距离函数对\theta求偏导
def compute_distance_gradients(theta, x, gamma):
    alpha = (1.0 - np.dot(theta, theta))
    norm_x = norm(x)
    beta = (1 - norm_x)
    c_ = 4.0 / (alpha * beta * sqrt(gamma ** 2 - 1))
    return c_ * ((norm_x - 2 * np.dot(theta, x) + 1) / alpha * theta - x)

# 更新公式
def update(emb, grad, lr): 
    c_ = (1 - norm(emb)) ** 2 / 4
    upd =  lr * c_ * grad
    emb = emb - upd
    if (norm(emb) >= 1):
        emb = emb / sqrt(norm(emb)) - eps
    return emb

至此，我们就可以开始写一个完整的训练过程了。在这之前，再补充一个绘图函数（可以看embedding的实际训练情况）：

def plotall(ii):
    fig = plt.figure(figsize=(10, 10))
    # 绘制所有节点
    for a in emb:
        plt.plot(emb[a][0], emb[a][1], marker = 'o', color = [levelofnode[a]/(last_level+1),levelofnode[a]/(last_level+1),levelofnode[a]/(last_level+1)])
    for a in network:
        for b in network[a]:
            plt.plot([emb[a][0], emb[b][0]], [emb[a][1], emb[b][1]], color = [levelofnode[a]/(last_level+1),levelofnode[a]/(last_level+1),levelofnode[a]/(last_level+1)])
            circle = plt.circle((0, 0), 1, color='y', fill=false)
            plt.gcf().gca().add_artist(circle)
    plt.xlim(-1, 1)
    plt.ylim(-1, 1)
    fig.savefig('~/github/hypere/fig/' + str(last_level) + '_' + str(ii) + '.png', dpi = 200)

2. 代码训练过程

首先初始化embeddings，这里按照论文中写的，用 ( − 0.001 , 0.001 ) (-0.001, 0.001) (−0.001,0.001)间的均匀分布进行随机初始化：

emb = {}
for node in levelofnode:
    emb[node] = np.random.uniform(low = -0.001, high = 0.001, size = (2, ))

下面设置学习率等参数：

vocab = list(emb.keys())
eps = 1e-5    
lr = 0.1       # 学习率
num_negs = 10  # 负样本个数

接下来开始正式迭代，具体每一行的含义均在注释中有进行说明：

# 绘制初始化权重
plotall("init")
for epoch in range(1000):
    loss = []
    random.shuffle(vocab)
    
    # 下面需要抽取不同的样本：pos2 与 pos1 相关；negs 不与 pos1 相关
    for pos1 in vocab:
        if not network[pos1]: # 叶子节点则不进行训练
            continue
        pos2 = random.choice(network[pos1]) # 随机选取与pos1相关的节点pos2
        dist_pos_ = dist1(emb[pos1], emb[pos2]) # 保留中间变量gamma，加速计算
        dist_pos = np.arccosh(dist_pos_) # 计算pos1与pos2之间的距离
        
        # 下面抽取负样本组（不与pos1相关的样本组）
        negs = [[pos1, pos1]]
        dist_negs_ = [1] 
        dist_negs = [0]
        
        while (len(negs) < num_negs):
            neg = random.choice(vocab)
            
            # 保证负样本neg与pos1没有边相连接
            if not (neg in network[pos1] or pos1 in network[neg] or neg == pos1): 
                dist_neg_ = dist1(emb[pos1], emb[neg])
                dist_neg = np.arccosh(dist_neg_)
                negs.append([pos1, neg])
                dist_negs_.append(dist_neg_) # 保存中间变量gamma，加速计算
                dist_negs.append(dist_neg)
        
        # 针对一个样本的损失
        loss_neg = 0.0
        for dist_neg in dist_negs:
            loss_neg += exp(-1 * dist_neg)
        loss.append(dist_pos + log(loss_neg))
        
        # 损失函数 对 正样本对 距离 d(u, v) 的导数
        grad_l_pos = -1
        
        # 损失函数 对 负样本对 距离 d(u, v') 的导数
        grad_l_negs = []
        for dist_neg in dist_negs:
            grad_l_negs.append(exp(-dist_neg) / loss_neg)
            
        # 计算正样本对中两个样本的embedding的更新方向
        grad_pos1 = grad_l_pos * compute_distance_gradients(emb[pos1], emb[pos2], dist_pos_)
        grad_pos2 = grad_l_pos * compute_distance_gradients(emb[pos2], emb[pos1], dist_pos_)
        
        # 计算负样本对中所有样本的embedding的更新方向
        grad_negs_final = []
        for (grad_l_neg, neg, dist_neg_) in zip(grad_l_negs[1:], negs[1:], dist_negs_[1:]):
            grad_neg0 = grad_l_neg * compute_distance_gradients(emb[neg[0]], emb[neg[1]], dist_neg_)
            grad_neg1 = grad_l_neg * compute_distance_gradients(emb[neg[1]], emb[neg[0]], dist_neg_)
            grad_negs_final.append([grad_neg0, grad_neg1])
            
        # 更新embeddings
        emb[pos1] = update(emb[pos1], -grad_pos1, lr)
        emb[pos2] = update(emb[pos2], -grad_pos2, lr)
        for (neg, grad_neg) in zip(negs, grad_negs_final):
            emb[neg[0]] = update(emb[neg[0]], -grad_neg[0], lr)
            emb[neg[1]] = update(emb[neg[1]], -grad_neg[1], lr)
    
    # 输出损失
    if ((epoch) % 10 == 0):
        print(epoch + 1, "---loss: ", sum(loss))
        
    # 绘制二维embeddings
    if ((epoch) % 100 == 0):
        plotall(epoch + 1)

3. 结果表现

结果如下所示（与论文有些不一致）：

实际上应该还是有效的，有些团都能聚合在一起，下面是一个随机训练的结果（可以看出非常混乱）：

其他参考资料

poincaré embeddings for learning hierarchical representations

implementing poincaré embeddings

models.poincare – train and use poincare embeddings

how to make a graph on python describing wordnet's synsets (nltk)

networkx.drawing.nx_pylab.draw_networkx

以上就是python算法学习双曲嵌入论文方法与代码解析说明的详细内容，更多关于python双曲嵌入论文方法与代码的资料请关注其它相关文章！