玩转腾讯词向量：Game of Words（词语的加减游戏）

上一篇文章《腾讯词向量实战：通过Annoy进行索引和快速查询》结束后，觉得可以通过Annoy做一点有趣的事，把“词类比(Word Analogy)”操作放到线上，作为AINLP公众号聊天机器人的新技能，毕竟这是word2vec，或者词向量中很有意思的一个特性，刚好，Annoy也提供了一个基于vector进行近似最近邻查询的接口：

get_nns_by_vector(v, n, search_k=-1, include_distances=False) same but query by vector v.

英文词类比中最有名的一个例子大概就是: king - man + woman = queen, 当我把这个例子换成中文映射到腾讯的中文词向量中并且用gensim来计算，竟然能完美复现：国王 - 男人 + 女人 = 王后然后把国王换成皇帝，还能完美的将“王后”替换为“皇后”:虽然知道即使在英文词向量中，完美的词类比列子也不多，另外据说换到中文词向量场景下，上述例子会失效，没想到在腾讯AI Lab这份词向量中得到完美复现，还是要赞一下的，虽然感觉这份腾讯词向量在处理词的边界上不够完美，引入了很多无关介词，但是"大力（量）出奇迹"，882万的词条数，一方面有很高的词语覆盖率，另外一方面可以完美的将英文词向量空间中的"king - man + woman = queen"映射到中文词向量空间的"国王 - 男人 + 女人 = 王后"，不得不感慨一下数学之美，词语之美。

在此前google的时候，据说在中文词向量场景下一个更容易出现的词类比例子是：机场-飞机+火车=火车站，这个确实可以通过gensim在腾讯词向量中得到复现：

通过Annoy，我把这个服务做到线上，现在可以在AINLP公众号后台测试，结果看起来也还不错：“机场-飞机+火车=高铁站”：

当把测试用例换回到“国王-男人+女人”或者 “皇帝-男人+女人”结果就有点琢磨不透了：

当然，Annoy的topk最近邻结果是不完全精确的，有两个参数对查询结果影响较大：n_trees 和 search_k

There are just two main parameters needed to tune Annoy: the number of trees n_trees and the number of nodes to inspect during searching search_k.

n_trees is provided during build time and affects the build time and the index size. A larger value will give more accurate results, but larger indexes.
search_k is provided in runtime and affects the search performance. A larger value will give more accurate results, but will take longer time to return.

n_trees影响构建索引时间和索引大小，值越大，结果会越精确，但是索引也会越大，我这次用到的索引构建的时候n_trees是20，无法动态调整；

search_k是查询时的参数，影响检索性能，值越大结果越好，但是查询时间越长，好处是可以动态调整，我将search_k设置到500以上时，“机场-飞机+火车”这个例子的结果变为了“火车站”, 和gensim一致了，不过“国王-男人+女人”这个例子的结果没有变化，考虑到线上服务的响应时间，最终还是把search_k设置的小一些。

不过除了这几个例子，到目前为止，貌似还没有找到其他比较不错的词类比例子。我想既然如此，索性放开AINLP中这个接口，可以直接玩2个词、3个词的加减法，并且命名为：Game of Words, 记住，是词游，而非权游。

现在，可以拿起你的手机，关注AINLP公众号，然后玩玩词语的加减法游戏了：

请注意，这个词语游戏目前只支持2个词或者3个词的加减法，更多词的暂时不支持，希望大家多玩玩词类比游戏，如果遇到完美例子，非常非常欢迎留言：

最后，欢迎大家脑洞，欢迎把玩，欢迎留言。