NLP-Task2: Word Vectors and Word Senses

task1的博客讲解了词向量、Word2vec基础知识以及2种基本模型。本篇文章首先对task1的一些补充，后续讲解词向量，并且讲解其优劣，介绍了基于窗口的共现矩阵的方法，引入GloVe。最后介绍了内部和外部词向量评估机制。

目录

task1 补充

Optimization：Gradient Descent

Stochastic Gradient Desent

The skip-gram model with negative samepling

Word2vec总结

task2

Window based co-occurrence matrix 

对共现矩阵进行奇异值分解（SVD）

基于词频和直接预测的比较（Countbased vs direct prediction）

GloVe

How to evaluate word vectors？

Word senses and word sense ambiguity

---

task1 补充

Optimization：Gradient Descent

梯度下降法：用来优化损失函数。对值计算梯度，然后沿着负梯度走一小步。其具体意义如下图所示：

公式形式的表达如下：

其中被叫做学习率，是需要我们自己调整的参数之一。

Stochastic Gradient Desent

随机梯度下降法。由于是对所有窗口而言的，要更新一次的梯度计算量非常大。所以用随机梯度下降法来重复采样窗口内的词，并每次更新。

• 迭代的使用随机梯度下降法在每一个窗口（window）计算梯度
• 但是每个窗口最多只有2m + 1个单词（m为窗口大小），所以会非常稀疏（sparse）， 因为我们只更新那些实际上真正出现的单词。有2种处理方法：一种是只更新full embedding 矩阵的U,V的某些特定列，一种是每个词语建立词向量的哈希映射。

The skip-gram model with negative samepling

如果V量级非常大，则分母的计算量也非常大。因此在word2vec模型中会使用负采样的方法。其具体思想：

• 这是一种采样子集简化运算的方法。具体做法是，对每个正例（中心词语及它的上下文中的一个词语）采样几个负例（中心词语和其他随机词语），训练binary logistic regression（也就是二分类器）。

Word2vec总结

•浏览整个语料库的每个单词

•预测每个单词的周围单词

•这样可以一次获取一个的同时出现（co-occurrence）的单词

task2

Window based co-occurrence matrix 

一个问题：为什么不直接获取同时出现发生的次数呢？ 答案：当然是可以的，这样就会有个共现矩阵（co-occurrence matrix ）

举例说明：窗口长度1（通常是5-10）对称（不相关的左右语境）在如下示例语料库中统计共现矩阵：

-I like deep learning

-I like NLP

-I enjoy flying

这种方法存在以下问题：

1. 词汇增加，维度增加
2. 高纬度，需要大量存储空间
3. 后面分类模型存在稀疏性问题，导致模型不健壮

解决办法：降维》》》》如何降？

对共现矩阵进行奇异值分解（SVD）

但是一些功能词（the, he, has）出现太过频繁，对语法（syntax）影响较大，上图所示的效果并不十分理想，需要对进行改进：

1. 限制高频词的频次，min(X,t),with t~100 ,或者干脆忽略这些高频词
2. 增加的窗口更精确地计算相近的单词（ampedwindows that count closer words more）用皮尔逊相关系数（ Pearson correlations）代替词频（counts），然后将负值设置为0。

SVD存在的问题：

• 计算代价很大，复杂度很高，对n×m的矩阵是（n<m），所以不利于计算单词数或文档数为数百万的情况。
• 不方便处理新词或新文档。与其他深度学习模型训练套路不同

基于词频和直接预测的比较（Countbased vs direct prediction）

这些基于计数的方法在中小规模语料库中训练很快，可以有效地利用统计信息。受限于捕捉词语相似度，也无法拓展到大规模语料。

而Skip-gram/CBOW，NNLM,，HLBL，RNN，这些进行预测的模型必须遍历所有的窗口来进行训练，无法有效利用单词的全局统计信息。但它们显著地提高了上级NLP任务，可以捕捉到除了单词相似性之外的更复杂模式。

所以结合上述两者的优势，我们有了：GloVe

GloVe

GloVe目标是综合基于统计和基于预测的两种方法的优点。

模型目标：词进行向量化表示，使得向量之间尽可能多地蕴含语义和语法的信息

流程：输入语料库--> 统计共现矩阵--> 训练词向量-->输出词向量

目标函数：

   这里的是2个词共现的频次，f是一个max函数

其优点是：训练快，可以拓展到大规模语料，也适用于小规模语料和小向量。

在公式中，我们可以发现这里面有两个向量u和v，它们都捕捉了共现信息，我们从和得到两个矩阵U和V，怎么处理它们呢？试验证明，最佳方案是简单地加起来：

How to evaluate word vectors？

Intrinsic：对特定/中间子任务进行评估。好处：是计算速度快，有助于理解系统。但不知道对实际应用有无帮助。

Extrinsic：通过对外部真实的实际应用的效果提升来体现。耗时较长，不能排除是否是新的词向量与旧系统的某种契合度产生。不清楚是子系统的问题，还是它的交互系统或其他子系统的问题。需要至少两个子系统同时证明。

内部词向量评估：词向量类比。

1. 通过对词向量的余弦距离分析可得到直观的语义和语法问题。
2. 通过Glove可视化，会发现这些类推的向量是近乎平行的。

语法上也是可以类推的。如下图：

同样的内部词向量评估也会有一些问题，如图所示：

与其他模型类比评估和超参数：

在不同大小的语料上，训练不同维度的词向量，在语义和语法数据集上的结果如下：GloVe的效果显著地更好。另外，高维度效果并不一定好，而且数据量越多越好。

调参：

• 不对称的上下文(只对左边的单词)结果不太好
• 维度大约为300效果是最好的，但对于downstream的任务可能不同。
• 窗口大小为8的对称窗口对Glove向量效果挺好的。
• 训练时间越长越好。
• 数据越多越好

相关性评估：评估词向量的距离和人工标注的相关性

外部词向量评估：（后面会讲到）

Word senses and word sense ambiguity

关于单词歧义的消除：通过对上下文的聚类分门别类地重新训练。