PaddlePaddle中embedding的作用是什么？

• 关键字： embedding作用

• 问题描述：看了PaddlePaddle词向量相关的代码，大量使用了embedding_layer+fc_layer的结构，请问这里常用的paddle.layer.embedding()方法的具有有什么作用？在PaddlePaddle中是如何实现的？

• 相关代码：

embed_first = fluid.layers.embedding(
        input=first_word,
        size=[dict_size,EMBED_SIZE],
        dtype='float32',
        is_sparse=is_sparse, #是否使用稀疏更新的标志。
        param_attr='shared_w' #该图层参数
    )

• 问题讨论：
  问题描述中其实涉及了两个主要的问题，即paddlepaddle中embedding()方法的作用是什么？以及PaddlePaddle如何实现embedding方法？下面就这两个问题简单解答一下

• 问题解答：
  关于 embedding 的作用：

  • 1.为了让计算机处理输入，首先需要对数据的规范化表示方法。one-hot，BOW，n-gram 等等，都是人类设计出的不同表示输入数据方法。
  • 2.embedding 是一种distributed representation，它的出现是相对于 one-hot 的表示法。
    • 在 one-hot 表示方法中，一个编码单元表示一个个体，除了某一个维度上的值是 1，其余维度都是 0。
    • distributed representation 用几个编码单元而不是一个编码单元来表示一个个体，是一类表示学习方法，用一个更低维度的实向量表示“一个概念”（可以理解为机器学习任务输入观察的输入特征），向量的每个维度在实数域 $R$ 取值
  • 3.embedding 在自然语言处理任务中获得了很大的成功，所以也常被翻译为“词向量”。但是，作为一类表示学方法，我们可以为所有离散的输入学习对应的 embedding 表达，并不不局限于自然语言处理任务中的词语。
  • 4.简单而言，引入 embedding 的动机有：
    • 将高度稀疏的离散输入嵌入到一个新的实向量空间，对抗维数灾难，使用更少的维度，编码更丰富的信息。
    • 我们观测的不同离散变量都可以嵌入同一个实向量空间，得到统一的表达形式。定义于实向量空间上的各种数学运算，可以作为描述语义的数学工具。

  embeding层可以理解为从一个矩阵中选择一行，一行对应着一个离散的新的特征表达，是一种取词操作

  关于PaddlePaddle中embedding方法是如何实现的？可以参考 https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/trainer_config_helpers/layers.py#L938，PaddlePaddle的embedding是用table_projection实现的，关键代码片段为：

  with mixed_layer(
          name=name,
          size=size,
          act=LinearActivation(),
          bias_attr=False,
          layer_attr=layer_attr) as mix:
      mix += table_projection(input=input, size=size, param_attr=param_attr)
  return mix
  

  table_projection的计算公式是out.row[i] += table.row[ids[i]]，在上述代码连接中也可以找到

• 问题拓展：
  embedding，即词向量，这个概念并不是PaddlePaddle独有的，在自然语言处理方面，embedding操作也是非常常见的，其主要目的将词转为相应的向量，这样一个词就可以映射到高维空间，一个常见的做法就是计算词与词之间的距离，因为词被表示成了向量，计算距离就是简单的计算两个向量间的距离，通过这种向量计算获得的值通常都可以看作是两个词之间的相似度。