对Word2Vec的理解

1. word embedding

在NLP领域，首先要把文字或者语言转化为计算机能处理的形式。一般来说计算机只能处理数值型的数据，所以，在NLP的开始，有一个很重要的工作，就是将文字转化为数字，把这个过程称为 word embedding。

word embedding即词嵌入，就是将一个词或者特征转化为一个向量。

      词嵌入一般有两种方式：最简单和原始的方式one-hot；word2vec方式。下面我们简单回顾一下one-hot方式，重点讲解word2vec词嵌入方式。

2. one-hot

one-hot的思想很简单，其长度为字典大小，每个维度对应一个字典里的每个词，除了这个词对应维度上的值是1，其他元素都是0。One-hot vector虽然简单，但是用处有限。当特征数量比较大的时候，one-hot向量就会很长。对于线性的分类器还好，但是模型一旦更加复杂，计算的复杂度就会很快的增长到我们无法承受的程度。同时，由于特征向量中不同维度之间是完全无关的，这就会导致特征向量无法刻画单词间的相似性，从而导致模型的泛化能力较差。

3. word2vec

        word2vec 也是word embedding的一种，它会将一个词映射到一个固定维度的向量中（不随语料的变化而变化），并且能够在一定程度上反映出词与词之间的关系。Word2vec是一个用于处理文本的双层神经网络。它的输入是文本语料，输出则是一组向量：该语料中词语的特征向量。虽然Word2vec并不是深度神经网络，但它可以将文本转换为深度神经网络能够理解的数值形式。

word2vec目前主要有两种模型，分别叫做 Skip-gram 和 CBOW。从直观上理解，Skip-Gram是给定input word来预测上下文。而CBOW是给定上下文，来预测input word。接下来会分别介绍下这两种模型的大体思想。

word2vec主要的实现方式有两种，分别为 Hierarchical Softmax 和 Negative sampling。他们和 CBOW 、 skip-gram 两两结合，共可以组成4种不同的模型。我们对基于Hierarchical Softmax的两种模型进行原理分析。

3.1 Skip-gram

      skip-gram 主要实现方式就是，通过输入一个词x，预测它的上下文的词。

文本信息：“我”， “想”， “学习”， “计算机”， “技术”

在这个例子中，就相当于当输入“学习”这个词的时候，要输出“我”，“想”，“计算机”，“技术”四个词（假设设定的窗口大小为5）。 具体结构如下图所示：

3.2 CBOW

    CBOW 的思想则和skip-gram相反，它是通过上下文的词，去预测当前的词。

文本信息：“我”， “想”， “学习”， “计算机”， “技术”

在这个例子中，就相当于输入为上文“我”，“想”，和下文“计算机”，“技术”，要输出“学习”这个词（假设设定的窗口大小为5）。 具体结构如下：

3.3基于 Hierarchical Softmax 的 CBOW 实现方式及原理

该模型主要由3层组成

1） 第一层：

每一个输入项表示上下文中的词的2c个向量（假设窗口大小为5，则有4个输入，即c=2）

每个输入变量为一个m维的向量，即对应输入的词的词向量

2）第二层：

将上一层输入的2c个向量求和累加

3） 第三层：

输出层，输出为一个二叉树（Huffman树），对应一个叶子节点（每个叶子节点对应一个词,所以叶子节点共有D个，D表示词的种类数量）

那么输出层为什么要输出一个二叉树，以及它是怎么输出的一个二叉树。下面举一个例子：

当要输出 足球 这个词的时候，这个模型其实并不是直接输出 "1001" 这条路径,而是在每一个节点都进行一次二分类。

相当于将最后输出的二叉树变成多个二分类的任务。而路径中的每个根节点都是一个待求的向量。 也就是说这个模型不仅需要求每个输入参数的变量，还需要求这棵二叉树中每个非叶子节点的向量，当然这些向量都只是临时用的向量。

所以计算过程可以表示为概率的累乘。 分类的单元使用的是逻辑回归，公式如下：

被分为正类的概率：

被分为负类的概率：

上面公式中的θ即为二叉树中非叶子节点的临时参数。

以“足球”为例，从根节点到叶子节点要经过4个分类器，分别为：

所以可得到：

完整的公式可以表示为：

根据上面的公式可以得到对数似然函数为：

然后通过随机梯度上升法进行训练，更新输入的w

通过不断的计算和更新，最终得到的word2vec模型。

3.4基于 Hierarchical Softmax 的 Skip-gram 实现方式及原理

Skip-gram 的模式跟 CBOW 的基本一样，所以会结合上面的简略的说明一下。

同样也是由3层组成的。唯一的区别就是将第一层输入层输入变量从输入2c个值变为输入一个值。

Skip-gram的模型定义为:

即输出的所有上下文的概率之积。

在这里 P(u∣w)的计算方式就是跟CBOW中说到的一样。

所以可以得到最终的对数似然函数为:

接下来就是跟上面一样的使用随机梯度上升的方式，不断更新各项参数。最终得到最终的word2vec模型。

参考资料

https://www.read138.com/archives/732/f13js0re9wu6zyi7/

https://www.cnblogs.com/DjangoBlog/p/7903683.html

Mikolov T, Sutskever I, Chen K, et al.Distributed representations of words and phrases and theircompositionality[C]//Advances in neural information processing systems. 2013:3111-3119.