word2vec参数调整 及lda调参

 一、word2vec调参

 

./word2vec -train resultbig.txt -output vectors.bin -cbow 0 -size 200 -window 5 -negative 0 -hs 1 -sample 1e-3 -threads 12 -binary 1

　　

一般来说，比较喜欢用cbow ，因为模型中 cbow有向量相加的运算。##保留意见

 

-cbow 0表示不使用cbow模型，默认为Skip-Gram模型

-size 表示词向量维数：经验是不超过1000，超过1000基本都没有效果，我感觉是可以取  sqrt(dict_size)/2 的样子，不过最好多试几个
-window 上下文窗口，是训练词向量的时候，取上下文的大小，感觉这个一般都是5比较好

 

-sample 表示采样参数，是一个经验忽视掉频率过高的词的参数，一般也用默认的就行。

-sampe指的是采样的阈值，如果一个词语在训练样本中出现的频率越大，那么就越会被采样。

 

-negative 表示负采样参数，每有一个正样本，选择几个负样本的参数，一般也是用默认的。

-binary为1指的是结果二进制存储，为0以文本形式进行存储。

上面这两个参数试过很多个，感觉就是默认的比较好用。

-hs 做不做层次的softmax，是1的时候效果比较好，但是训练会慢一点
-min-count 控制词典大小的参数，如果只想要高频词的话就设置高一点。

 

　　　　架构：skip-gram（慢、对罕见字有利）vs CBOW（快）

·         训练算法：分层softmax（对罕见字有利）vs 负采样（对常见词和低纬向量有利）

·         欠采样频繁词：可以提高结果的准确性和速度（适用范围1e-3到1e-5）

·         文本（window）大小：skip-gram通常在10附近，CBOW通常在5附近

二、LDA调参

1.文章

http://jmlr.org/proceedings/papers/v32/tang14.pdf

2.思路

1)lda模型（latent dirichlet distribution）调优，比如曾经有研究表明，直接把短文档（比如一个微博，一个查询）作为输入，不如先做预处理把这些短文章聚合成一些长文章（比如把同一作者的微博合一块）。

2)当我们选择的主题数目k和真实主题数目k’ 一致，或者主题－词分布区分度够高（欧式距离衡量下）的情况下，假如我们还满足文档长度的限制，log d 《＝ n 的， 那么， 随着n 和 d 增长，后验分布和真实分布之间的误差正比于 logn ／ n ＋logd ／ d。

3)当我们选择的主题数目k 大于真实主题数目k‘时，如果我们仍然满足 d》＝ log n， 那么误差正比于 （log n ／ n ＋ logd ／ d） ^ (1/(2k –1))

4)

1. 文档长度不能太短，至少是文档数目的log，所以对于太短的文档，我们必须把他们聚合

2. 为了满足log d 《＝ n， 还有一个方法是降低d，但很可惜，最终误差大小正比于d，所以文档数量最好也多一点。

3. 当我们选择的topic 数目k 大大超出于真实topic 数目 k‘ 时，可以从（5）的结果看到，也会减慢收敛速度，所以应该从比较小的topic数目开始，慢慢增加。

4. 最好当然是我们能知道真正的主题数目k，这样可以避开上面的试探过程，但现实很难，另外一个可能的条件是topic之间差异大，比如每个文档可能的topic少，或者每个topic有一些特殊的词，比如一个topic是自然语言处理，另一个topic是图像处理，两个各有自己独特的词，如像素，语法树等等，这样我们就可以不用太担心试探过程。

5. 当上面两种情况发生时，可以考虑设置小一点的alpha 和beta， 以减少迭代。