上週我們講到，在進行NNLM訓練時，能夠得到副產品，詞向量。本文介紹一種專門用於詞向量製備的方法：word2vec，利用它能夠高效的訓練出詞向量。

作者 | 小Dream哥

編輯 | 小Dream哥

1 word2vec是什麼？

在闡述word2vec的原理之前，筆者先大致介紹一下，word2vec是什麼，能夠用來幹什麼，讓讀者有一個大致的認識。

word2vec是2013年Efficient estimation of word representations in vector space論文中提出的一種有效的詞向量製備方法，沿用至今。

word2vec用前饋神經網路進行訓練，提出了Continuous Bag-of-Words和Continuous Skip-Gram兩種模型訓練方法，損失層有層次Softmax（Hierarchical Softmax）和負取樣（Negative Sampling）兩種。

2 模型結構

上面我們說了，word2vec是一種高效的製備詞向量的方法，那麼跟2003年的NNLM相比，它的效率高在哪裡呢？先從網路結構開始，我們來細細看一下。

如上圖所示，是word2vec中提出的兩種模型訓練模式：Continuous Bag-of-Words和Continuous Skip-Gram。

Continuous Bag-of-Words：

CBOW是這樣一種任務，給定一個去掉了中間一個詞的context，預測其中間的那個詞。它跟NNLM的任務有點相似，差別在於，它是雙向的，即預測詞時利用了該詞前後的詞語資訊。

Continuous Skip-Gram：

Continuous Bag-of-Words是通過一個詞，預測其周圍的幾個詞。

以Continuous Bag-of-Words為例，我們來看看word2vec的網路結構。

如上圖所示，word2vec將網路做了如下的改造：

1.輸入的所有詞向量相加求和得到SUM，稱為embedding layer；

2.移除前向反饋神經網路中非線性的hidden layer，直接將中間層的embedding layer與輸出層的softmax layer連線；

我們來分析下這樣做有什麼好處呢？移除中間的隱藏層，最大的好處就是能夠極大的減少運算量了，訓練時候的效率就能夠大幅提升。Continuous Skip-Gram也是相似的道理了。

3 損失函式

以CBOW模型為例，訓練時最容易想到的是，得到輸入序列的SUM embedding之後，通過一個project和softmax層，計算出字典V中每個詞的概率，再構建交叉熵之類的損失函式，然而直接對詞典裡的V個詞計算相似度並歸一化顯然是極其耗時的。

為此作者提出了層次Softmax（Hierarchical Softmax）和負取樣（Negative Sampling）兩種損失層。層次Softmax（Hierarchical Softmax）原理很有意思，但是計算起來還是比NCE要複雜。因此，真正應用比較多的是NCE，這裡就詳細介紹一下NCE的原理。

負取樣的思想最初來源於一種叫做Noise-Contrastive Estimation的演算法，原本是為了解決那些無法歸一化的概率模型的引數預估問題。

在CBOW中，給定一個去掉了中間一個詞的context(w)，預測其中間的那個詞w。那麼，中間的那個詞w就是 正樣本，其他的詞就是 負樣本了。那麼NCE的過程大致是這樣的， 對於context(w)構造一個關於w的負樣本集NEG(w)；在訓練時，針對{w,NEG(w)}構造一個目標函式，通過優化該目標函式優化整個網路的引數（包括詞向量）。

那麼，這個目標函式該怎麼構建呢？

我先定義一個這樣的函式，

其中：

那麼p函式也可以這樣表示：

這裡X表示輸入的各個詞向量之和。

那我們的目標函式這樣去構建：

也可表示為：

這樣的話，我們在訓練時，只需最大化這個g，就可以優化網路的引數。想想看為什麼呢？從形式上看，最大化g就是最大化

同時最小化所有的

這不正是我們所需要的嗎？

好了，我們來總結一下上述的過程。 NCE的訓練過程，就是構建一個關於w的負樣本集NEG(w)，針對正負樣本集，計算g函式的值，訓練時，通過最大化該值來優化網路。

4 負取樣的過程

我們這節來看看負取樣的過程是怎麼樣進行的， 也就是上述NEG(w)是如何獲得的。

對於語料C，可以構建一個詞典D，並統計其中各個詞的詞頻。整體的原則是，詞頻高的詞選中作為負樣本的概率就高。

設詞典D中每一個詞對應一個長度l(w)的線段，則l(w)=counter(w)/|C|。然後將這些線段首尾連線起來，就構成了一個長度為1的線段。在負取樣時，隨機往該線段上打點，打到的就被採到。這就是負取樣的大致過程了，在word2vec的實際操作過程中，會做一些變化，但是基本的思想就是這樣的。

總結

上述就是word2vec的基本原理了，通過word2vec能夠高效的獲得詞向量，是自然語言處理入門必須要掌握的內容。

https://www.toutiao.com/i6734857274759578119/

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69946223/viewspace-2656589/，如需轉載，請註明出處，否則將追究法律責任。