上周我们讲到，在进行NNLM训练时，能够得到副产品，词向量。本文介绍一种专门用于词向量制备的方法：word2vec，利用它能够高效的训练出词向量。
作者&编辑 | 小Dream哥
1 word2vec是什么？
在阐述word2vec的原理之前，笔者先大致介绍一下，word2vec是什么，能够用来干什么，让读者有一个大致的认识。
word2vec是2013年Efficient estimation of word representations in vector space论文中提出的一种有效的词向量制备方法，沿用至今。
word2vec用前馈神经网络进行训练，提出了Continuous Bag-of-Words和Continuous Skip-Gram两种模型训练方法，损失层有层次Softmax（Hierarchical Softmax）和负采样（Negative Sampling）两种。
2 模型结构
上面我们说了，word2vec是一种高效的制备词向量的方法，那么跟2003年的NNLM相比，它的效率高在哪里呢？先从网络结构开始，我们来细细看一下。
如上图所示，是word2vec中提出的两种模型训练模式：Continuous Bag-of-Words和Continuous Skip-Gram。
Continuous Bag-of-Words：
CBOW是这样一种任务，给定一个去掉了中间一个词的context，预测其中间的那个词。它跟NNLM的任务有点相似，差别在于，它是双向的，即预测词时利用了该词前后的词语信息。
Continuous Skip-Gram：
Continuous Bag-of-Words是通过一个词，预测其周围的几个词。
以Continuous Bag-of-Words为例，我们来看看word2vec的网络结构。
如上图所示，word2vec将网络做了如下的改造：
1.输入的所有词向量相加求和得到SUM，称为embedding layer；
2.移除前向反馈神经网络中非线性的hidden layer，直接将中间层的embedding layer与输出层的softmax layer连接；
我们来分析下这样做有什么好处呢？移除中间的隐藏层，最大的好处就是能够极大的减少运算量了，训练时候的效率就能够大幅提升。Continuous Skip-Gram也是相似的道理了。
3 损失函数
以CBOW模型为例，训练时最容易想到的是，得到输入序列的SUM embedding之后，通过一个project和softmax层，计算出字典V中每个词的概率，再构建交叉熵之类的损失函数，然而直接对词典里的V个词计算相似度并归一化显然是极其耗时的。
为此作者提出了层次Softmax（Hierarchical Softmax）和负采样（Negative Sampling）两种损失层。层次Softmax（Hierarchical Softmax）原理很有意思，但是计算起来还是比NCE要复杂。因此，真正应用比较多的是NCE，这里就详细介绍一下NCE的原理。
负采样的思想最初来源于一种叫做Noise-Contrastive Estimation的算法，原本是为了解决那些无法归一化的概率模型的参数预估问题。
在CBOW中，给定一个去掉了中间一个词的context(w)，预测其中间的那个词w。那么，中间的那个词w就是正样本，其他的词就是负样本了。那么NCE的过程大致是这样的，对于context(w)构造一个关于w的负样本集NEG(w)；在训练时，针对{w,NEG(w)}构造一个目标函数，通过优化该目标函数优化整个网络的参数（包括词向量）。
那么，这个目标函数该怎么构建呢？
我先定义一个这样的函数，
其中：
那么p函数也可以这样表示：
这里X表示输入的各个词向量之和。
那我们的目标函数这样去构建：
也可表示为：
这样的话，我们在训练时，只需最大化这个g，就可以优化网络的参数。想想看为什么呢？从形式上看，最大化g就是最大化
同时最小化所有的
这不正是我们所需要的吗？
好了，我们来总结一下上述的过程。NCE的训练过程，就是构建一个关于w的负样本集NEG(w)，针对正负样本集，计算g函数的值，训练时，通过最大化该值来优化网络。
4 负采样的过程
我们这节来看看负采样的过程是怎么样进行的，也就是上述NEG(w)是如何获得的。
对于语料C，可以构建一个词典D，并统计其中各个词的词频。整体的原则是，词频高的词选中作为负样本的概率就高。
设词典D中每一个词对应一个长度l(w)的线段，则l(w)=counter(w)/|C|。然后将这些线段首尾连接起来，就构成了一个长度为1的线段。在负采样时，随机往该线段上打点，打到的就被采到。这就是负采样的大致过程了，在word2vec的实际操作过程中，会做一些变化，但是基本的思想就是这样的。
总结
上述就是word2vec的基本原理了，通过word2vec能够高效的获得词向量，是自然语言处理入门必须要掌握的内容。有三AI-NLP知识星球详细介绍了如何搭建网络，复现上述的过程，感兴趣的同学可以扫下面的二维码加入。
读者们可以留言，或者加入我们的NLP群进行讨论。感兴趣的同学可以微信搜索jen104，备注"加入有三AI NLP群"。
下期预告：自然语言处理中的命名实体识别
知识星球主要有以下内容：
(1) 聊天机器人。考虑到聊天机器人是一个非常复杂的NLP应用场景，几乎涵盖了所有的NLP任务及应用。所以小Dream哥计划以聊天机器人作为切入点，通过介绍聊天机器人的原理和实践，逐步系统的更新到大部分NLP的知识，会包括语义匹配，文本分类，意图识别，语义匹配命名实体识别、对话管理以及分词等。
(2) 知识图谱。知识图谱对于NLP各项任务效果好坏的重要性，就好比基础知识对于一个学生成绩好坏的重要性。他是NLP最重要的基础设施，目前各大公司都在着力打造知识图谱，作为一个NLP工程师，必须要熟悉和了解他。
(3) NLP预训练模型。基于海量数据，进行超大规模网络的无监督预训练。具体的任务再通过少量的样本进行Fine-Tune。这样模式是目前NLP领域最火热的模式，很有可能引领NLP进入一个全新发展高度。你怎么不深入的了解？
转载文章请后台联系
侵权必究
