CS224n笔记二：word2vec

如何表示词语的意思

语言学中meaning近似于“指代，代指，符号”。

计算机中如何处理词语的意思

过去一直采用分类词典，计算语言学中常见的方式时WordNet那样的词库，比如NLTK中可以通过WordNet查询熊猫的上位词(hypernums)，得到“食肉动物”，“动物”之类的上位词。也可以查询“good”的同义词，如“just”。

离散表示(discrete representation)的问题

• 这种离散表示并不准确，丢失了些许韵味。如以下同义词的意思还是有微妙不同的：adept, expert, good, practiced, proficient, skillful

• 缺少新词

• 耗费人力

• 无法准确计算词语相似度

  大多数NLP学者将词语作为最小的单位，事实上，词语只是词表长度的one-hot向量，这是一种局部表示(localist representation)。在不同的语料中，词表大小不同，如Google的1TB词料词汇量是1300w，这个向量实在过长了。

从符号表示(symbolic representation)到分布式表示(distributed representation)

词语在符号表示上体现不出意义的相似性，如“motel”和“hotel”，其one-hot向量是正交的，无法通过计算获得相似度。

Distributional similarity based representations

语言学家J. R. Firth提出，通过一个单词的上下文可以得到它的意思。J. R. Firth甚至建议，日过能将单词放到正确的上下文中，才说明掌握了它的意义。这是现代统计自然语言处理最成功的思想之一：

通过向量定义词语的含义

通过调整一个单词机器上下文单词的向量，使得根据两个向量可以推测两个单词的相似度；或者根据两个向量可以推测词语的上下文。这种手法是递归的，根据向量调整向量。

学习神经网络word embedings的基本思路

• 定义一个用来预测某个单词上下文的模型：

  p(context|w_t)=…

• 损失函数定义如下：

  J=1-p(w_-t|w_t)

  这里的w_-t表示w_t的上下文（-t表示“除了t之外”），如果完美预测，及p(w_t)=1，损失函数等于0。

• 在一个大型的语料库中的不同位置得到训练实例，调整词向量，最小化损失函数。

word2vec的主要思路

通过单词和上下文预测彼此。

• 两个算法
  • Skip-grams(SG)：预测上下文
  • Continuous Bag of Words(CBOW)：预测目标单词
• 两种高效的训练方法：
  • Hierarchical softmax
  • Negative sampling

Hierarchical Softmax

模型共同点

无论是哪种模型，其基本网络结构都是在下图的基础上（省略掉hidden layer）：

为什么要去掉hidden layer层呢？因为word2vec的作者认为hidden layer到output layer的矩阵运算太多了，所以两种模型的网络结构是：

其中w(t)代表当前词语位于句子中的位置t，同理定义其他符号，在窗口内（上图中的窗口大小为5），除了当前词语之外的其它词语共同构成上下文。

CBOW

原理：CBOW是一种根据上下文的词语预测当前词语出现概率的模型。

CBOW是已知上下文，估算当前词语的语言模型，其学习目标是最大化对数似然函数：

其中，w表示语料库C中任意一个次。从上图可以看出，对于CBOW：

• 输入层是上下文词语的词向量（词向量只是训练CBOW模型的副产物，是CBOW模型的一个参数。训练开始时，词向量是随机值，随着训练的进行不断被更新）

• 投影层对其求和，就是简单的向量加法。

• 输出层输出最可能的w。由于语料库中的词汇量是固定的|C|个，所以上述过程可以看作是一个多分类的问题。给定特征，从|C|个分类中挑一个。

  对于神经网络模型的多分类，最朴素的做法是softmax回归：

  

  softmax回归需要对语料库中每个词语（类）都计算一遍输出概率并进行归一化，在几十万词汇量的语料上无疑是令人头疼的。

  如果使用SVM中的多分类：

  

  这是一种二叉树结构，应用到word2vec中被作者称为Hierarchical Softmax：

  

  上图输出层的树形结构即为Hierarchical Softmax。

  非叶子节点相当于一个神经元（感知机，我认为逻辑斯谛回归就是感知机的输出代入f(x)=1/(1+e^x)），二分类决策输出1或0，分别代表向下左转或向下右转；每个叶子节点代表语料库中的一个词语，于是每个词语都可以被01唯一地编码，并且其编码序列对应一个事件序列，于是我们可以计算条件概率：

  在开始计算之前，还是得引入一些符号：

  1. 从根结点出发到达w对应叶子结点的路径.

  2. 路径中包含结点的个数

  3. 路径中的各个节点

  4. 词w的编码，表示路径第j个节点对应的编码（根节点无编码）

  5. 路径中非叶节点对应的参数向量

     可以给出w的条件概率：

     ​

  

Skip-gram预测

这里虽然有四条线，但模型中只有一个条件分布（因为这只是个词袋模型而已，与位置无关）。学习就是要最大化这些概率。

word2vec细节

目标函数定义为所有位置的预测结果的乘积：

要最大化目标函数。对其取个负对数，得到损失函数——对数似然的相反数：

对于softmax来讲，常用的损失函数为交叉熵。

Softmax function：从实数空间到概率分布的标准映射方法

指数函数可以把实数映射成正数，然后归一化得到概率。

softmax之所叫softmax，是因为指数函数会导致较大的数变得更大，小数变得微不足道；这种选择作用类似于max函数。

Skipgram

这两个矩阵都含有V个词向量，也就是说同一个词有两个词向量，哪个作为最终的、提供给其他应用使用的embeddings呢？有两种策略，要么加起来，要么拼接起来。在CS224n的编程练习中，采取的是拼接起来的策略：

# concatenate the input and output
word vectorswordVectors = np.concatenate(
(wordVectors[:nWords,:], wordVectors[nWords:,:]),
axis=0)
# wordVectors = wordVectors[:nWords,:] + wordVectors[nWords:,:]

他们管W中的向量叫input vector，W'中的向量叫output vector。从左到右是one-hot向量，乘以center word的W于是找到词向量，乘以另一个context word的矩阵W'得到对每个词语的“相似度”，对相似度取softmax得到概率

训练模型：计算参数向量的梯度

把所有参数写进向量θ，对d维的词向量和大小V的词表来讲，有：

由于上述两个矩阵的原因，所以θ的维度中有个2。