基于word2vec和fast-pytorch-kmeans的文本聚类实现，利用GPU加速提高聚类速度

文章目录 简介GPU加速 代码实现kmeans聚类结果kmeans 绘图函数相关资料参考

简介

本文使用text2vec模型，把文本转成向量。使用text2vec提供的训练好的模型权重进行文本编码，不重新训练word2vec模型。

直接用训练好的模型权重，方便又快捷

完整可运行代码如下: github /JieShenAI/csdn/blob/main/machine_learning/kmeans_pytorch.ipynb

GPU加速

传统sklearn的TF-IDF文本转向量，在CPU上计算速度较慢。使用text2vec通过cuda加速，加快文本转向量的速度。 传统使用sklearn的kmeans聚类算法在CPU上计算，如遇到大批量的数据，计算耗时太长。 故本文使用fast-pytorch-kmeans 和 kmeans_pytorch包，基于pytorch在GPU上计算，提高聚类速度。

代码实现

装包

pip install fast-pytorch-kmeans text2vec import torch import numpy as np from text2vec import SentenceModel

不使用SentenceModel模型也可以，在 text2vec 中，还有很多其他的向量编码模型供选择。

文本编码模型

embedder = SentenceModel()

异常情况说明，该模型需要从huggingface下载模型权重，目前被墙了。（请想办法解决，或者尝试其他的编码模型）

语料库如下：

# Corpus with example sentences corpus = [ '花呗更改绑定银行卡', '我什么时候开通了花呗', 'A man is eating food.', 'A man is eating a piece of bread.', 'The girl is carrying a baby.', 'A man is riding a horse.', 'A woman is playing violin.', 'Two men pushed carts through the woods.', 'A man is riding a white horse on an enclosed ground.', ] corpus_embeddings = embedder.encode(corpus) # numpy 转成 pytorch， 并转移到GPU显存中 corpus_embeddings = torch.from_numpy(corpus_embeddings).to('cuda')

如下图所示，编码的向量是768维；

type(corpus_embeddings), corpus_embeddings.shape

kmeans

kmeans_pytorch vs fast-pytorch-kmeans: 在实验过程中，利用kmeans_pytorch 针对30万个词进行聚类的时候，发现显存炸了，程序崩溃退出。30万个词的词向量，占用显存还不到2G，但是运行kmeans_pytorch后，显存就炸了。

fast-pytorch-kmeans不存在上述显存崩溃的问题。本以为词向量很多会跑很长时间，但fast-pytorch-kmeans在非常短的时间内就完成了kmeans聚类。 后来一想也理解了，先开始在CPU跑花费了很长时间，这是因为CPU并行很差，需要逐个跑完。而在GPU里大量数据拼成一个矩阵，做一个减法，就可以算出批量节点和中心点的距离。

# kmeans # from kmeans_pytorch import kmeans from fast_pytorch_kmeans import KMeans num_class = 3 # 分类类别数 kmeans = KMeans(n_clusters=num_class, mode='euclidean', verbose=1) # 模型预测结果 labels = kmeans.fit_predict(corpus_embeddings)

聚类程序运行如下：

used 2 iterations (0.3682s) to cluster 9 items into 3 clusters

模型中心点坐标:

kmeans.centroids

聚类结果 class_data = { i:[] for i in range(3) } for text,cls in zip(corpus, labels): class_data[cls.item()].append(text) class_data

文本聚类结果如下： 0: 女 1：男 2: 花呗

kmeans 绘图函数

封装了KMeansPlot 绘图类，方便聚类结果可视化

from sklearn.decomposition import PCA import matplotlib.pyplot as plt class KMeansPlot: def __init__(self, numClass=4, func_type='PCA'): if func_type == 'PCA': self.func_plot = PCA(n_components=2) elif func_type == 'TSNE': from sklearn.manifold import TSNE self.func_plot = TSNE(2) self.numClass = numClass def plot_cluster(self, result, pos, cluster_centers=None): plt.figure(2) Lab = [[] for i in range(self.numClass)] index = 0 for labi in result: Lab[labi].append(index) index += 1 color = ['oy', 'ob', 'og', 'cs', 'ms', 'bs', 'ks', 'ys', 'yv', 'mv', 'bv', 'kv', 'gv', 'y^', 'm^', 'b^', 'k^', 'g^'] * 3 for i in range(self.numClass): x1 = [] y1 = [] for ind1 in pos[Lab[i]]: # print ind1 try: y1.append(ind1[1]) x1.append(ind1[0]) except: pass plt.plot(x1, y1, color[i]) if cluster_centers is not None: #绘制初始中心点 x1 = [] y1 = [] for ind1 in cluster_centers: try: y1.append(ind1[1]) x1.append(ind1[0]) except: pass plt.plot(x1, y1, "rv") #绘制中心 plt.show() def plot(self, weight, label, cluster_centers=None): pos = self.func_plot.fit_transform(weight) # 高维的中心点坐标，也经过降维处理 cluster_centers = self.func_plot.fit_transform(cluster_centers) self.plot_cluster(list(label), pos, cluster_centers)

kmeans.centroids ：是一个高维空间的中心点坐标，故在plot函数中，将其降维到2D平面上；

k_plot = KMeansPlot(num_class) k_plot.plot( corpus_embeddings.to('cpu'), labels.to('cpu'), kmeans.centroids.to('cpu') )

完整可运行代码如下: github /JieShenAI/csdn/blob/main/machine_learning/kmeans_pytorch.ipynb

相关资料参考 动手实战基于 ML 的中文短文本聚类tfidf和word2vec构建文本词向量并做文本聚类 提到训练word2vec模型，silhouette_score_show(word2vec, 'word2vec') 轮廓系数，判断分几个类别最好。机器学习：Kmeans聚类算法总结及GPU配置加速demo PyTorch kmeans 加速。from scratch 实现；KMeans算法全面解析与应用案例 通俗易懂的原理讲解pytorch K-means算法的实现 底层代码实现【pytorch】Kmeans_pytorch用于一般聚类任务的代码模板 使用pytorch封装的kmeans包实现，包括训练和预测；text2vec 包