一文了解word2vec(一)
1、前言
word2vec是google在2013年推出的将文本量化成词向量的工具,它的特点是将所有的词向量化,这样词与词之间就可以定量的去度量他们之间的关系,挖掘词之间的联系。
2、词的表示
(1)one-hot
独热编码(One-hot Representation)最常用的词表示方法 ,它把每个词表示为一个很长的向量。这个向量的维度是词表大小,其中绝大多数元素为 0,只有一个维度的值为 1,这个向量就代表了当前的词。
比如:[‘我’,‘爱’,‘中国’]
One-hot表示为:‘我’:[1,0,0],‘爱’:[0,1,0],‘中国’: [0,0,1]
缺点分析:
1、向量的维度会随着句子的词的数量类型增大而增大;
2、任意两个词之间都是孤立的,无法表示语义层面上词汇之间的相关信息。
(2)词的分布式表示
Dristributed representation可以解决One hot representation的问题,它的思路是通过训练,将每个词都映射到一个较短的词向量上来。所有的这些词向量就构成了向量空间,进而可以用普通的统计学的方法来研究词与词之间的关系。这个较短的词向量维度是多大呢?这个一般需要我们在训练时自己来指定。
比如下图我们将词汇表里的词用"Royalty","Masculinity","Femininity"和"Age"4个维度来表示,King这个词对应的词向量可能是(0.99,0.99,0.05,0.7)。当然在实际情况中,我们并不能对词向量的每个维度做一个很好的解释。
传统的独热表示仅仅将词符号化,不包含任何语义信息。如何将语义融入到词表示中?Harris 在 1954 年提出的“分布假说”为这一设想提供了理论基础:上下文相似的词,其语义也相似。Firth 在 1957年对分布假说进行了进一步阐述和明确:词的语义由其上下文决定。
以(CBOW)为例,如果有一个句子“the cat sits one the mat”,在训练的时候,将“the cat sits one the”作为输入,预测出最后一个词是“mat”。
分布式表示的较大优点在于它具有非常强大的表征能力,比如n维向量每维k个值,可以表征k的n次方个概念。下图的神经网络语言模型(NNLM)采用的就是文本分布式表示。而词向量(word embedding)是训练该语言模型的一个附加产物,即图中的Matrix C。
我们的任务可以拆解成两部分:
(1) 选择一种方式描述上下文;
(2) 选择一种“模型”刻画某个词(即“目标词”)与其上下文之间的关系。
因此一些文本表示方法出现了,从最初的NNLM到Word2vec,glove,Fasttext到现在的End2End,文本表示方法已经发生了很大的变化。
3、 word2vec
Word2vec包括两种训练方式CBOW (Continuous Bag-of-Words Model),
Skip-gram (Continuous Skip-gram Model)。
CBOW:上下文来预测当前词
Skip-gram:当前词预测上下文
关于word2vec需要理解网络结构,哈夫曼编码、哈夫曼树,n-grams,以及word2vec的两大trick:Hierarchical Softmax和Negative Sample
4、两个trick
(1)Hierarchical Softmax
大家都知道哈夫曼树是带权路径最短的树,一般神经网络语言模型在预测的时候,输出的是预测目标词的概率(每一次预测都要基于全部的数据集进行计算,很大的时间开销)。Hierarchical Softmax是一种对输出层进行优化的策略,输出层从原始模型的利用softmax计算概率值改为了利用Huffman树计算概率值。一开始我们可以用以词表中的全部词作为叶子节点,词频作为节点的权,构建Huffman树,作为输出。从根节点出发,到达指定叶子节点的路径。Hierarchical Softmax正是利用这条路径来计算指定词的概率,而非用softmax来计算。 即Hierarchical Softmax:把 N 分类问题变成 log(N)次二分类。
(2)Negative Sampling
Negative Sampling(简写NEG,负采样),这是Noise-Contrastive Estimation(简写NCE,噪声对比估计)的简化版本:把语料中的一个词串的中心词替换为别的词,构造语料 D 中不存在的词串作为负样本。在这种策略下,优化目标变为了:较大化正样本的概率,同时最小化负样本的概率。这样说大家可能已经糊涂了,我们省去繁琐的数学推倒,这里举一个例子:
假设有一个句子为:“The quick brown fox jumps over the lazy dog.“
如果我们用skip-gram model ,貌似这是一个很大的网络。
注意:比如像“the”这种常见的词,我们会遇到两个问题:
1) 比如(fox,the)其实没有传递我们关于 fox的信息。‘the‘出现得太多了。
2)我们有太多(‘the’,…)的样本,多于我们实际需要的。
所以word2vec采用了降采样的策略。对于每个我们在训练样本中遇到的词,我们有一个概率去删除它。这个概率与单词出现的频率相关。
如果我们采用window size = 10,同时我们删除‘the’:
1) 当我们再去训练剩下的词,我们就不会再遇到‘the’了;
2)我们减少了10个包含‘the’的样本
这其实就是‘NEG’的核心思想。
5、总结
word2vec篇幅比较大,因此一篇文章不能完全表述,因此将通过几篇文章几个点来说明,本文是Word2vec的一个综述,总之,词嵌入一种很重要的思想,word2vec更是这里面最有代表性的一种算法之一。
请先 后发表评论~