🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​

📣系列专栏 - 机器学习【ML】 自然语言处理【NLP】  深度学习【DL】

​

 🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

什么是词向量/词嵌入

词向量的理解 TODO

Word2Vec

基于层次 SoftMax 的 CBOW 模型

层次 SoftMax 的正向传播

层次 Softmax 的反向传播 TODO

基于层次 Softmax 的 Skip-gram 模型

---

基于负采样的 CBOW 和 Skip-gram

负采样算法

Word2Vec 中的做法

一些源码细节

σ(x) 的近似计算

低频词的处理

高频词的处理

自适应学习率

参数初始化

GloVe

共现矩阵

构架共现矩阵的细节

GloVe 的基本思想

GloVe 的目标函数

GloVe 目标函数的推导过程

GloVe 与 Word2Vec 的区别

FastText

gensim.models.FastText 使用示例

获取单个词的 ngrams 表示

计算一个未登录词的词向量

WordRank TODO

CharCNN 字向量

其他实践

一般 embedding 维度的选择

什么是词向量/词嵌入

• 词向量（word embedding）是一个固定长度的实值向量
• 词向量是神经语言模型的副产品。
• 词向量是针对“词”提出的。事实上，也可以针对更细或更粗的粒度来进行推广——比如字向量、句向量、文档向量等

词向量的理解 TODO

word2vec 中的数学原理详解（三）背景知识 - CSDN博客

• 在 NLP 任务中，因为机器无法直接理解自然语言，所以首先要做的就是将语言数学化——词向量就是一种将自然语言数学化的方法。

One-hot 表示

• TODO

分布式表示 (distributed representation)

• 分布式假设
• TODO
• 常见的分布式表示方法
  • 潜在语义分析 (Latent Semantic Analysis, LSA)
    • SVD 分解
  • 隐含狄利克雷分布 (Latent Dirichlet Allocation, LDA)，主题模型
  • 神经网络、深度学习

Word2Vec

• Word2Vec 本质上也是一个神经语言模型，但是它的目标并不是语言模型本身，而是词向量；因此，其所作的一系列优化，都是为了更快更好的得到词向量

• Word2Vec 提供了两套模型：CBOW 和 Skip-Gram(SG)

  • CBOW 在已知 context(w) 的情况下，预测 w
  • SG 在已知 w 的情况下预测 context(w)

• 从训练集的构建方式可以更好的理解和区别 CBOW 和 SG 模型

  • 每个训练样本为一个二元组 (x, y)，其中 x为特征，y为标签

    假设上下文窗口的大小 context_window =5，即

    

    或者说 skip_window = 2，有 context_window = skip_window*2 + 1

  • CBOW 的训练样本为：

    

  • SG 的训练样本为：

    

  • 一般来说，skip_window <= 10

• 除了两套模型，Word2Vec 还提供了两套优化方案，分别基于 Hierarchical Softmax (层次SoftMax) 和 Negative Sampling (负采样)

基于层次 SoftMax 的 CBOW 模型

• 【输入层】将 context(w) 中的词映射为 m 维词向量，共 2c 个

• 【投影层】将输入层的 2c 个词向量累加求和，得到新的 m 维词向量

• 【输出层】输出层对应一棵哈夫曼树，以词表中词作为叶子节点，各词的出现频率作为权重——共 N 个叶子节点，N-1 个非叶子节点

  

• 对比 N-gram 神经语言模型的网络结构

  • 【输入层】前者使用的是 w 的前 n-1 个词，后者使用 w 两边的词

    这是后者词向量的性能优于前者的主要原因

  • 【投影层】前者通过拼接，后者通过累加求和
  • 【隐藏层】后者无隐藏层
  • 【输出层】前者为线性结构，后者为树形结构

• 模型改进

  • 从对比中可以看出，CBOW 模型的主要改进都是为了减少计算量——取消隐藏层、使用层Softmax代替基本Softmax

层次 SoftMax 的正向传播

• 层 Softmax 实际上是把一个超大的多分类问题转化成一系列二分类问题

• 示例：求 P("足球"|context("足球"))

  

  • 从根节点到“足球”所在的叶子节点，需要经过 4 个分支，每次分支相当于一次二分类（逻辑斯蒂回归，二元Softmax）

    

    这里遵从原文，将 0 作为正类，1 作为负类

  • 而 P("足球"|context("足球")) 就是每次分类正确的概率之积，即

    

    这里每个非叶子都对应一个参数 θ_i

为什么层次 SoftMax 能加速

• Softmax 大部分的计算量在于分母部分，它需要求出所有分量的和
• 而层次 SoftMax 每次只需要计算两个分量，因此极大的提升了速度

层次 Softmax 的反向传播 TODO

word2vec 中的数学原理详解（四）基于 Hierarchical Softmax 的模型 - CSDN博客

基于层次 Softmax 的 Skip-gram 模型

• 这里保留了【投影层】，但实际上只是一个恒等变换

  

• 从模型的角度看：CBOW 与 SG 模型的区别仅在于 x_w 的构造方式不同，前者是 context(w) 的词向量累加；后者就是 w 的词向量

• 虽然 SG 模型用中心词做特征，上下文词做类标，但实际上两者的地位是等价的

---

基于负采样的 CBOW 和 Skip-gram

• 层次 Softmax 还不够简单，于是提出了基于负采样的方法进一步提升性能
• 负采样（Negative Sampling）是 NCE(Noise Contrastive Estimation) 的简化版本

  噪音对比估计（NCE） - CSDN博客

• CBOW 的训练样本是一个 (context(w), w) 二元对；对于给定的 context(w)，w 就是它的正样本，而其他所有词都是负样本。
• 如果不使用负采样，即 N-gram 神经语言模型中的做法，就是对整个词表 Softmax 和交叉熵
• 负采样相当于选取所有负例中的一部分作为负样本，从而减少计算量
• Skip-gram 模型同理

负采样算法

• 负采样算法，即对给定的 w ，生成相应负样本的方法
• 最简单的方法是随机采样，但这会产生一点问题，词表中的词出现频率并不相同
  • 如果不是从词表中采样，而是从语料中采样；显然，那些高频词被选为负样本的概率要大于低频词
  • 在词表中采样时也应该遵循这个
• 因此，负采样算法实际上就是一个带权采样过程

  

Word2Vec 中的做法

• 记

  

• 以这 N+1 个点对区间 [0,1] 做非等距切分

• 引入的一个在区间 [0,1] 上的 M 等距切分，其中 M >> N

  

  源码中取 M = 10^8

• 然后对两个切分做投影，得到映射关系

  

• 采样时，每次生成一个 [1, M-1] 之间的整数 i，则 Table(i) 就对应一个样本；当采样到正例时，跳过（拒绝采样）。

• 特别的，Word2Vec 在计算 len(w) 时做了一些改动——为 count(·) 加了一个指数

  

一些源码细节

σ(x) 的近似计算

• 类似带权采样的策略，用查表来代替计算

  

• 具体计算公式如下

  

  因为 σ(x) 函数的饱和性，当 x < -6 || x > 6 时，函数值基本不变了

低频词的处理

• 对于低频词，会设置阈值（默认 5），对于出现频次低于该阈值的词会直接舍弃，同时训练集中也会被删除

高频词的处理

• 高频词提供的信息相对较少，为了提高低频词的词向量质量，有必要对高频词进行限制
• 高频词对应的词向量在训练时，不会发生明显的变化，因此在训练是可以减少对这些词的训练，从而提升速度

Sub-sampling 技巧

• 源码中使用 Sub-sampling 技巧来解决高频词的问题，能带来 2~10 倍的训练速度提升，同时提高低频词的词向量精度
• 给定一个词频阈值 t，将 w 以 p(w) 的概率舍弃，p(w) 的计算如下

  

Word2Vec 中的Sub-sampling

• 显然，Sub-Sampling 只会针对 出现频次大于 t 的词
• 特别的，Word2Vec 使用如下公式计算 p(w)，效果是类似的

  

自适应学习率

• 预先设置一个初始的学习率 η_0（默认 0.025），每处理完 M（默认 10000）个词，就根据以下公式调整学习率

  

• 随着训练的进行，学习率会主键减小，并趋向于 0

• 为了方式学习率过小，Word2Vec 设置了一个阈值 η_min（默认 0.0001 * η_0）；当学习率小于 η_min，则固定为 η_min。

参数初始化

• 词向量服从均匀分布 [-0.5/m, 0.5/m]，其中 m 为词向量的维度
• 所有网络参数初始化为 0

GloVe

CS224d - L2&3-词向量

共现矩阵

• 共现矩阵的实现方式

  • 基于文档 - LSA 模型（SVD分解）

  • 基于窗口 - 类似 skip-gram 模型中的方法

    

    skip_window = 1 的共现矩阵

构架共现矩阵的细节

• 功能词的处理
  • 功能词：如 "the", "he", "has", ...
  • 法1）直接忽略
    • 在一些分类问题上可以这么做；如果目标是词向量，则不建议使用这种方法
  • 法2）设置阈值 min(x, t)
    • 其中 x 为功能词语其他词的共现次数，t 为设置的阈值
• 可以尝试使用一些方法代替单纯的计数，如皮尔逊相关系数，负数记为 0

  但是似乎没有人这么做

GloVe 的基本思想

• GloVe 模型的是基于共现矩阵构建的

• GloVe 认为共现矩阵可以通过一些统计信息得到词之间的关系，这些关系可以一定程度上表达词的含义

  

  • solid related to ice but not steam
  • gas related to stream but not ice
  • water related to both
  • fashion relate not to both

  说明 TODO

• GloVe 的基本思想：

  • 假设词向量已知，如果这些词向量通过某个函数（目标函数）可以拟合共现矩阵中的统计信息，那么可以认为这些词向量也拥有了共现矩阵中蕴含的语义
  • 模型的训练过程就是拟合词向量的过程

GloVe 的目标函数

其中

• w_i 和 w_j 为词向量

• x_ij 为 w_i 和 w_j 的共现次数

• f(x) 是一个权重函数，为了限制高频词和防止 x_ij = 0

  

  • 当 x_ij = 0 时，有

    

GloVe 目标函数的推导过程

以前整理在 OneNote 上的，有时间在整理

• 目标函数

  

  

  

  

  

• w_i 的权重函数

  

GloVe 与 Word2Vec 的区别

• Word2Vec 本质上是一个神经网络；
  Glove 也利用了反向传播来更新词向量，但是结构要更简单，所以 GloVe 的速度更快
• Glove 认为 Word2Vec 对高频词的处理还不够，导致速度慢；GloVe 认为共现矩阵可以解决这个问题

  实际 Word2Vec 已结有了一些对高频词的措施 > 高频词的处理

• 从效果上看，虽然 GloVe 的训练速度更快，但是词向量的性能在通用性上要弱一些：
  在一些任务上表现优于 Word2Vec，但是在更多的任务上要比 Word2Vec 差

FastText

• FastText 是从 Word2Vec 的 CBOW 模型演化而来的；

  从网络的角度来看，两者的模型基本一致；区别仅在于两者的输入和目标函数不同；

  

  基于层次 SoftMax 的 CBOW 模型

• FastText 与 CBOW 的相同点：

  • 包含三层：输入层、隐含层、输出层（Hierarchical Softmax）
  • 输入都是多个单词的词向量
  • 隐藏层（投影层）都是对多个词向量的叠加平均
  • 输出都是一个特定的 target
  • 从网络的角度看，两者基本一致

• 不同点：

  • CBOW 的输入是中心词两侧skip_window内的上下文词；FastText 除了上下文词外，还包括这些词的字符级 N-gram 特征

• 注意，字符级 N-gram 只限制在单个词内，以英文为例

  // 源码中计算 n-grams 的声明，只计算单个词的字符级 n-gram
  compute_ngrams(word, unsigned int min_n, unsigned int max_n);

  # > https://github.com/vrasneur/pyfasttext#get-the-subwords
  >>> model.args.get('minn'), model.args.get('maxn')
  (2, 4)
  # 调用源码的 Python 接口，源码上也会添加 '<' 和 '>'
  >>> model.get_all_subwords('hello') # word + subwords from 2 to 4 characters
  ['hello', '', 'lo', 'lo>', 'o>']
  >>> # model.get_all_subwords('hello world')  # warning

• 值得一提的是，因为 FastText 使用了字符级的 N-gram 向量作为额外的特征，使其能够对未登录词也能输出相应的词向量；

  具体来说，未登录词的词向量等于其 N-gram 向量的叠加

gensim.models.FastText 使用示例

../codes/FastText

• 构建 FastText 以及获取词向量

  # gensim 示例
  import gensim
  import numpy as np
  from gensim.test.utils import common_texts
  from gensim.models.keyedvectors import FastTextKeyedVectors
  from gensim.models._utils_any2vec import compute_ngrams, ft_hash
  from gensim.models import FastText# 构建 FastText 模型
  sentences = [["Hello", "World", "!"], ["I", "am", "huay", "."]]
  min_ngrams, max_ngrams = 2, 4  # ngrams 范围
  model = FastText(sentences, size=5, min_count=1, min_n=min_ngrams, max_n=max_ngrams)# 可以通过相同的方式获取每个单词以及任一个 n-gram 的向量
  print(model.wv['hello'])
  print(model.wv['