word2vec

• Author: kangbingbing;
• Email: kangb93@126.com
• Datawhale

word2vec简介

Word2vec是Google实现word embedding的一种具体的方式。因为速度快效果好，而广为人知。 而Word embedding是一个普适的概念或者任务，即用向量来表示字或词，一般也称为词嵌入。

核心公式：

简单来说，Word2Vec就是“两个训练方案＋两个提速手段”，两个训练方案见下表，两个提速手段分别为HS（Hierarchical Softmax ）、负采样（Negative Sampling）。 我们设置一个大小为 t 的窗口，在数据集里随机抽取一个中心词Wt，这个词的前c个和后 c个单词构成该词的上下文，即：
$$context(W)=(Wt-c,...,Wt-2,Wt-1;Wt+1,Wt+2,...,Wt+c)$$

model	训练方法	说明	目标函数
skip-gram	神经网络	最大化$p(w/context(w))$，即用中心词w的上下文去预测 w	最大化均值“对数似然概率” 见式①、式② ，式①中两个词之间的 skip-gram 概率$p(wt+j/wt)$ 可以定义为式②，式②分子是把w对应的词向量和 context(w) 里的某个词对应的词向量做内积，分母是把 w对应的词向量和词汇表中的所有词向量做内积
CBOW	神经网络	最大化$p(context(w)/w)$，即用中心词w去预测其上下文	与skip-gram类似, 调换Wt+j和Wt的位置即可

①

②

算法十问

1. 在小数据集中，Skip-gram和CBOW哪种表现更好？

Skip-gram是用一个center word预测其context里的word；而CBOW是用context里的所有word去预测一个center word。显然，前者对训练数据的利用更高效（构造的数据集多），因此，对于较小的语料库，Skip-gram是更好的选择。

2. 为什么要使用HS（Hierarchical Softmax ）和负采样（Negative Sampling）？

两个模型的原始做法都是做内积，经过 Softmax 后得到概率，因此复杂度很高。假设我们拥有一个百万量级的词典，每一步训练都需要计算上百万次词向量的内积，显然这是无法容忍的。因此人们提出了两种较为实用的训练技巧，即HS和Negative Sampling。

3. 介绍一下HS（Hierarchical Softmax ）

HS 是试图用词频建立一棵哈夫曼树，那么经常出现的词路径会比较短。树的叶子节点表示词，共词典大小多个，而非叶子结点是模型的参数，比词典个数少一个。要预测的词，转化成预测从根节点到该词所在叶子节点的路径，是多个二分类问题。本质是把 N 分类问题变成 log(N)次二分类

4. 介绍一下负采样（Negative Sampling）

把原来的 Softmax 多分类问题，直接转化成一个正例和多个负例的二分类问题。让正例预测 1，负例预测 0，这样子更新局部的参数。

5. 负采样为什么要用词频来做采样概率？

可以让频率高的词先学习，然后带动其他词的学习。

6. 对比 Skip-gram 和 CBOW

CBOW 会比Skip-gram训练速度更快，因为前者每次会更新 context(w) 的词向量，而 Skip-gram 只更新核心词的词向量。 Skip-gram 对低频词效果比 CBOW好，因为Skip-gram 是尝试用当前词去预测上下文，当前词是低频词还是高频词没有区别。但是 CBOW 相当于是完形填空，会选择最常见或者说概率最大的词来补全，因此不太会选择低频词。

7. 对比字向量和词向量

字向量可以解决未登录词的问题，以及可以避免分词；词向量包含的语义空间更大，更加丰富，如果语料足够的情况下，词向量是能够学到更多的语义信息。

8. 如何衡量word2vec得出的词/字向量的质量？

在实际工程中一般以word embedding对于实际任务的收益为评价标准，包括词汇类比任务（如king – queen = man - woman）以及NLP中常见的应用任务，比如命名实体识别（NER），关系抽取（RE）等。

9. 神经网络框架里的Embedding层和word-embedding有什么关系？

Embedding层就是以one hot为输入（实际一般输入字或词的id）、中间层节点为字向量维数的全连接层。而这个全连接层的参数，就是一个“字向量表”，即word-embedding。

10. word2vec的缺点？

没有考虑词序，因为它假设了词的上下文无关(把概率变为连乘)；没有考虑全局的统计信息。

面试真题

1. 为什么训练得到的字词向量会有如下一些性质，比如向量的夹角余弦、向量的欧氏距离都能在一定程度上反应字词之间的相似性？

我们在用语言模型无监督训练时，是开了窗口的，通过前n个字预测下一个字的概率，这个n就是窗口的大小，同一个窗口内的词语，会有相似的更新，这些更新会累积，而具有相似模式的词语就会把这些相似更新累积到可观的程度。

2. word2vec跟Glove的异同？
3. word2vec 相比之前的 Word Embedding 方法好在什么地方

参考资料

1. https://blog.csdn.net/zhangxb35/article/details/74716245
2. https://spaces.ac.cn/archives/4122