鸟枪换炮，如何在推荐中发挥AI Lab开源中文词向量的威力？

导读：本文是“深度推荐系统”专栏的第二篇文章，这个系列将介绍在深度学习的强力驱动下，给推荐系统工业界所带来的最前沿的变化。本文则结合作者在工作中的经验总结，着重于介绍在推荐系统中如何使用腾讯AI Lab开源的中文词向量。

欢迎转载，转载请注明出处以及链接，更多关于深度推荐系统优质内容请关注如下频道。

知乎专栏：深度推荐系统

微博：深度传送门

公众号：深度传送门

近年来，深度学习技术在自然语言处理领域中得到了广泛应用。用深度学习技术来处理自然语言文本，离不开文本的向量化，即把一段文本转化成一个n维的向量。在当前“万物皆可embedding”的思想领导下，词向量既是NLP领域中一个非常基础的工具，也是推荐、广告等业务场景中用于召回以及排序等阶段的简单且实用的核武器，主要用于进行语义相似度度量等。

词向量的核心是word2vec[1]，相应原理介绍不是本文介绍的重点。常用的训练工具有gensim，fasttext等，一般的训练步骤包括：收集语料 --> 文本过滤 --> 分词 --> 去除停用词 --> 训练模型。

目前，针对英语环境，工业界和学术界已发布了一些高质量的词向量数据，并得到了广泛的使用和验证。其中较为知名的有谷歌公司基于word2vec算法[1]、斯坦福大学基于GloVe算法[2]、Facebook基于fastText项目[3]发布的数据等。然而，目前公开可下载的中文词向量数据还比较少，并且数据的词汇覆盖率有所不足，

腾讯AI Lab开源中文词向量

腾讯AI Lab采用自研的Directional Skip-Gram (DSG)算法 [4] 作为词向量的训练算法。DSG算法基于基本的Skip-Gram，在文本窗口中词对共现关系的基础上，额外考虑了词对的相对位置，以提高词向量语义表示的准确性。

数据简介： mp.weixin.qq.com/s/2Sto

数据下载地址： ai.tencent.com/ailab/nl

索引词库大小：800w；词向量维度：200

如何在推荐中使用开源词向量

在推荐系统的基于内容召回策略中，一般需要根据用户已经点击过的文章所包含的tag词或者主题，为用户推荐与点击历史中最相似的文章。 其中有一种做法就是从文章中抽取T个tag相应的词向量来表示这篇文章的文章向量 （如vec_doc = w1 * vec_t1 + w2 * vec_t2 + ...，这里w1，w2是文章中tag词相应的权重）； 然后，根据用户的点击历史计算文章向量的相似度，取topk个返回 。下面主要实际业务场景中简单的使用步骤：

• 向量裁剪： 从腾讯AI Lab官网下载下来的原始词向量库比较大，16G并且包含大量的停用词。这里可首先计算自己业务场景的tag库与这份开源中文自己向量的tag集合之间的交集得到裁剪后的向量库。

• 加载词向量： 可以使用gensim进行加载。可以参考gensim使用手册： radimrehurek.com/gensim

from gensim.models.word2vec import KeyedVectors
wv_from_text = KeyedVectors.load_word2vec_format('Tencent_AILab_ChineseEmbedding.txt', binary=False)

• 部分测试数据

model=wv_from_text.wv

print(model.most_similar("如懿传"))
[('海上牧云记', 0.8060665130615234), ('孤芳不自赏', 0.7940512299537659),
 ('醉玲珑', 0.7932543754577637), ('凰权', 0.7888569831848145),
 ('古装剧', 0.7873178720474243), ('琅琊榜2', 0.7863854765892029),
 ('延禧攻略', 0.7858327031135559), ('那年花开月正圆', 0.7804251909255981),
 ('大剧', 0.7796347737312317), ('凤囚凰', 0.7741515040397644)]

print(model.similarity("郭靖","黄蓉"))
0.9186713635202067

print(model.n_similarity(["中国","北京"],["俄罗斯","莫斯科"]))
0.6441469472853117

print(model.doesnt_match(["洪七公","王重阳","郭靖","黄药师"]))
王重阳

工业实际应用注意事项

实际使用中我们发现业务场景的tag覆盖率与文章覆盖率都有极大比例的提升。同时也带来了业务CTR的明显提升。

• 总体老说腾讯AI Lab开源的这份中文词向量的覆盖度比较高，精度也比较高。但是词向量里含有大量停用词，导致文件比较大加载速度较慢（数分钟），而且内存消耗较大，实际使用时根据场景需要裁剪以节省性能；

• 根据不同领域的情况，有可能某些特定垂直领域的词语之间的相关性计算不是特别准，需要根据业务场景需要加入相应的语料进行增量训练后再使用；

• 另外，随着时间的推移会不断出现新词，物名，人名等，就需要重新训练模型。如果后期AI Lab不再更新维护这份词向量的话，则需要自己进行维护迭代升级。

参考文献

1. Distributed Representations of Words and Phrases and their Compositionality

2. GloVe: Global Vectors for Word Representation

3. Enriching Word Vectors with Subword Information

4. Yan Song, Shuming Shi, Jing Li, and Haisong Zhang. Directional Skip-Gram: Explicitly Distinguishing Left and Right Context for Word Embeddings. NAACL 2018