关于word2vec我有话要说

写在前面的话：

总结一下使用word2vec一年来的一些经验，因为自己在做的时候，很难在网上搜到word2vec的经验介绍，所以归纳出来，希望对读者有用。

这里不介绍word2vec的原理，因为原理介绍的资料网上很多

最后，由于本人知识有限，错误之处，还望指正。

 1 word2vec 是word embedding 最好的工具吗？

word2vec并非是效果最好的word embedding 工具。最容易看出的就是word2vec没有考虑语序，这里会有训练效果损失。

由于 word2vec 训练速度快 ，易用，google出品 等，使得word2vec使用的人多。

训练快是因为 word2vec只有输入层和输出层，砍去了神经网络中，隐藏层的耗时计算（所以word2vec并不算是一个深度学习算法）。另外，阅读word2vec的google的源码，会发现里面有一些提速的trick。如 sigmod函数，采用一次计算，以后查表，减去了大量的重复计算。如词典hash存储， 层次softmax等。

易用是因为word2vec 公布了word2vec的代码。在tensorflow,gensim,spark mllib包中都有集成，使用方便。

 

2 word2vec 训练结果的差异主要来自什么因素？

2.1 语料影响最大 语料的场景，比如微博的语料和新闻语料训练的结果差别很大。因为微博属于个人发帖，比较随意。而新闻比较官方正式，另外新闻句式相对复杂。经过训练对比：微博这种短文，训练的相似词更多是同级别的相关词。比如 深圳 相关的是 广州 。而用新闻语料，训练得到 深圳 相关的词 更多是与 深圳 有关联的词，比如 深圳大学。

为什么会出现这种情况呢？

因为 word2vec 的原理就是 一个词预测 前后词 或者 前后词 预测 当前词，使得概率最大化。

这就导致如下两个结果：

2.1.1 相似的句子，相同部位的词 会相似。

比如 句子1 w1 w2 w3 w4 X w5 w6 w7.

句子2 w1 w2 w3 w5 Y w5 w6 w7.

因为 X 的向量 受 w1 w2 w3 w4 w5 w6 w7 向量影响决定， Y也是受这几个词影响决定。

所以 X Y 是相似的。

2.1.2 挨着近的词，也是相似的。

比如 句子 w1 w2 w3 w4 X Y w5 w6 w7.

这样 X Y 都是受到 来自 w1 w2 w3 w4 w5 w6 w7 向量影响决定。

所以X Y是相似的。

所以，微博和新闻的句子的整体分布是不一样的。 这里影响 结论 2.1.1.

其次，新闻长文多，句式复杂，微博短文多，这里影响结论2.1.2.

2.2 算法参数的影响。

算法参数对总体效果影响不大。相对来说，比较重要的参数有以下

2.2.1 负采样。

负采样越低，对高频词越不利，对低频词有利。可以这么理解，本来高频词 词被迭代50次，低频词迭代10次，如果采样频率降低一半，高频词失去了25次迭代，而低频词只失去了5次。一般设置成le-5

2.2. 2 语言模型：skip-gram 和cbow,之前有对比，切词效果偏重各不相同。从效果来看，感觉cbow对词频低的词更有利。这是因为 cbow是基于周围词来预测某个词，虽然这个词词频低，但是他是基于 周围词训练的基础上，通过算法来得到这个词的向量。通过周围词的影响，周围词训练的充分，这个词就会收益。

2.2. 3 窗口大小 窗口大小影响 词 和前后多少个词的关系，和语料中语句长度有关，建议可以统计一下语料中，句子长度的分布，再来设置window大小。一般设置成8。

2.2. 4 min-count 最小词频训练阀值，这个根据训练语料大小设置，只有词频超过这个阀值的词才能被训练。

根据经验，如果切词效果不好，会切错一些词，比如 “在深圳”，毕竟切错的是少数情况，使得这种错词词频不高，可以通过设置相对大一点的 min-count 过滤掉切错的词。

2.2. 5 向量维度

如果词量大，训练得到的词向量还要做语义层面的叠加，比如 句子 的向量表示 用 词的向量叠加，为了有区分度，语义空间应该要设置大一些，所以维度要偏大。一般 情况下200维够用。

2.2. 6 其他参数 比如学习率 可以根据需要调。

3 word2vec 影响速度的因素有哪些？

3.1 语言模型：cbow 比skip-gram 更快

为什么 cbow更快，很重要的一个原因，cbow是基于周围词来预测这个单词本身 。而skip-gram是基于本身词去预测周围词。 那么，cbow只要 把窗口内的其他词相加一次作为输入来预测 一个单词。不管窗口多大，只需要一次运算。而skip-gram直接受窗口影响，窗口越大，需要预测的周围词越多。在训练中，通过调整窗口大小明显感觉到训练速度受到很大影响。

3.2 迭代次数

影响训练次数，语料不够的情况下，可以调大迭代次数。spark 版本有bug，迭代次数超过1，训练得到的词向量维度值超大。

3.3 线程数

单机版（google word2vec)可以通过设置多线程跑,集群版（spark mllib）可以设置多个 partitions.但是从经验来看，在集群上设置partitions 过多，会影响训练的效果。

3.4 其他参数

采样频率 影响词的训练频率

min-count 最小词频 影响 训练词的数量

Window大小 影响 skip-gram 的 预测次数。

向量维度 维度决定了训练过程中计算的维度

 

4 怎样评估word2vec训练的好坏？

4.1 词聚类 可以采用 kmeans 聚类，看聚类簇的分布

4.2词cos 相关性 查找cos相近的词

4.3 Analogy对比 a:b 与 c:d的cos距离 (man-king woman-queen )

4.4 使用tnse，pca等降维可视化展示 词的分布，推荐用google的tensorboard。另外可以用python的matplotlib。