用机器学习的思路训练单词的TFIDF值

之前用统计的方法（TFIDF理解和应用）做了一个计算单词TFIDF的任务，这次用机器学习的思路。

随机初始化每个词的TDIDF值，全部分别存到w_en和w_de中。

读入每一句，根据w_en、w_de计算每一句所构成单词的英、德TFIDF值的和。根据标签，如果这句话是英语，但是结果score_de大于score_en，说明需要调参。
因此定义损失函数：loss = score_de - score_en（对德语来loss = score_en - score_de）。

调整参数的原理就是调整后的值 = 当前值 - 学习率 * loss在该点的梯度值。
对标签是英语的句子来说：loss = sum(w_de) - sum(w_en)。
loss关于每一个w_de的求导为1，所以更新时w_de[w] -= lr。同理，w_en[w] += lr 。
附上我咨询老师的截图：

vocab = set()
if word and (word not in vocab):
	vocab.add(word)

我最初的思路是先对英语语料的全部做一遍，再对德语语料的全部做一遍，许老师说这样容易造成数据走向一边倒的情况，所以最好是一句英语一句德语，这种方法应该叫做shuffle（可以参考机器学习，深度学习模型训练阶段的Shuffle重要么？为什么？）。
使用的是yield关键字和next()方法：（可以先参考python中yield的用法详解——最简单，最清晰的解释）

def reader(srcf, tag):
    with open(srcf, "rb") as frd:
        for line in frd:
            tmp = line.strip()
            if tmp:
                tmp = tmp.decode("utf-8")
                yield tmp, tag  # yield: 生成器。类似return但不会结束函数


r_en = reader(f_path2, "en")
while True:
	try:
		line_en, t_en = next(r_en)
	except:
		line_en = None

根据经验，初始化范围一般是random.uniform(-sqrt(1/len(vocab)), sqrt(1/len(vocab)))。
其中，uniform是均匀分布。

在函数中不声明函数全局变量可能会有问题，最好声明global。（我每次都忘…）

from math import sqrt
from random import uniform

path1 = "data/corpus.tc.de"
path2 = "data/corpus.tc.en"
test1 = "data/tiny_de.txt"
test2 = "data/tiny_en.txt"
path3 = "TFIDF 2/result_de_2.txt"
path4 = "TFIDF 2/result_en_2.txt"
vocab = set()  # * 学会用set()
w_en = {}
w_de = {}


def build_vocab(srcf):
    global vocab  # * 要对vocab声明global

    with open(srcf, "rb") as frd:
        for line in frd:
            tmp = line.strip()  # n t
            if tmp:
                tmp = tmp.decode("utf-8")
                for word in tmp.split():
                    if word and (word not in vocab):
                        vocab.add(word)


def random_vocab():
    rang = sqrt(1 / len(vocab))
    r_en = {w: uniform(-rang, rang) for w in vocab}  # * 根据经验，初始化范围一般是random.uniform(-sqrt(1/len(vocab)), +)
    r_de = {w: uniform(-rang, rang) for w in vocab}
    return r_en, r_de


def reader(srcf, tag):
    with open(srcf, "rb") as frd:
        for line in frd:
            tmp = line.strip()
            if tmp:
                tmp = tmp.decode("utf-8")
                yield tmp, tag  # yield: 生成器。类似return但不会结束函数


def handle(line, tag):
    global w_en
    global w_de
    line = line.split()
    lr = 1e-3
    score_en = sum(w_en[w] for w in line)
    score_de = sum(w_de[w] for w in line)
    if tag == "en":
        if score_en < score_de:
            # loss = score_de - score_en
            for w in line:
                w_en[w] += lr
                w_de[w] -= lr

    if tag == "de":
        if score_de < score_en:
            # loss = score_en - score_de
            for w in line:
                w_en[w] -= lr
                w_de[w] += lr


def sf_handle(f_path1, f_path2):
    r_de = reader(f_path1, "de")
    r_en = reader(f_path2, "en")
    while True:
        try:
            line_en, t_en = next(r_en)
        except:
            line_en = None
        if line_en is not None:
            handle(line_en, t_en)

        try:
            line_de, t_de = next(r_de)
        except:
            line_de = None
        if line_de is not None:
            handle(line_de, t_de)

        if (line_en is None) and (line_de is None):
            break


def save(fname, obj):
    with open(fname, "wb") as fwrt:
        fwrt.write(repr(obj).encode("utf-8"))


if __name__ == '__main__':
    build_vocab(path1)
    build_vocab(path2)
    w_en, w_de = random_vocab()
    sf_handle(path1, path2)     # shuffle handle
    save(path3, w_de)
    save(path4, w_en)  # 词典

结果还行。