在工作中用到了类似于negative sample的方法,才发现我其实并不了解candidate sampling。于是看了一些相关资料,在此简单总结一些相关内容。
主要内容来自tensorflow的candidate_sampling和卡耐基梅隆大学一个学生写的一份notesNotes on Noise Contrastive Estimation and Negative Sampling,还有一部分参考了tensorflow的nce_loss和sampled_softmax_loss的文档。
What is Candidate Sampling
首先,什么是candidate sampling呢?假设我们有这样一个问题,给定一个样本集,其中每个样本由 ( x i , T i ) (x_i, T_i) (xi,Ti),其中 x i x_i xi是输入特征, T i T_i Ti是一个target小集合,满足 T ⊂ L , ∣ T ∣ < < ∣ L ∣ T \subset L, |T| << |L| T⊂L,∣T∣<<∣L∣。我们的目标是学习一个 F ( x , y ) F(x, y) F(x,y),使得给定一个 x x x,我们可以预测出类别 y y y为正的可能性。
如果我们使用正常的softmax方法,那么在计算每一个sample时,我们都需要遍历整个集合 ∣ L ∣ |L| ∣L∣,对每一个可能的 y y y计算一次 F ( x , y ) F(x, y) F(x,y),这是非常昂贵的操作。尤其是在NLP的相关预测中,这一操作代价更加高昂。所以candidate sampling的方法被提了出来:在计算每一个sample时,我们从整个标签集合或者负标签集合中随机采样出一个小的candidate集合 S S S,将 S S S和 T T T一起组成当前的candidate集合 C = S ∪ T C = S \cup T C=S∪T,并在 C C C上计算 F ( x , y ) F(x, y) F(x,y)。
常见的candidate sampling方法的特性可以见下表:
在这个表中, K ( x ) K(x) K(x)是一个不依赖于候选类的任意函数。 由于Softmax涉及归一化,因此添加这样的函数不会影响计算的概率。 Q ( y ∣ x ) Q(y|x) Q(y∣x)是 S i S_i Si中类y的期望概率或者期望个数。
NCE和nagetive sample可以适应于 T i T_i Ti是multiset的情况,在这种情况下, P ( y ∣ x ) P(y|x) P(y∣x)等于 T i T_i Ti中类y的期望个数。NCE,negative sampling和sampled logistic可以适应于 S i S_i Si是multiset的情况,在这种情况下, Q ( y ∣ x ) Q(y|x) Q(y∣x)等于 S i S_i Si中类y的期望个数。
Noise Contrastive Estimation (NCE)
我们考虑一种简单的也是最常用的情况,
∣
T
∣
=
1
|T| = 1
∣T∣=1。以经典的word预测为例,此时
T
=
t
i
T= {t_i}
T=ti。我们给定经验分布
P
~
(
x
)
\widetilde{P}(x)
P
(x)和
P
~
(
t
∣
x
)
\widetilde{P}(t|x)
P
(t∣x),则每一个训练集中的正样本都相当于从
P
~
(
x
)
\widetilde{P}(x)
P
(x)采样出一个
x
i
x_i
xi,并在这个
x
x
x的基础上在
P
~
(
t
∣
x
)
\widetilde{P}(t|x)
P
(t∣x)上采样出
t
i
t_i
ti,并标定label
d
=
1
d = 1
d=1。同时我们从分布
Q
(
x
)
Q(x)
Q(x)中采样出
k
k
k个noise samples,则
P
(
d
,
t
∣
x
)
=
{
k
1
+
k
Q
(
x
)
d=0
1
1
+
k
P
~
(
t
∣
x
)
d=1
P(d, t|x)= \begin{cases} \frac{k}{1 + k}Q(x) & \text{d=0}\\ \frac{1}{1 + k}\widetilde{P}(t|x)& \text{d=1} \end{cases}
P(d,t∣x)={1+kkQ(x)1+k1P
(t∣x)d=0d=1
那么使用条件概率公式,我们就可以写出:
P ( d = 0 ∣ t , x ) = k ∗ Q ( x ) P ~ ( t ∣ x ) + k ∗ Q ( x ) P(d = 0| t, x) = \frac{k * Q(x)}{\widetilde{P}(t|x) + k * Q(x)} P(d=0∣t,x)=P (t∣x)+k∗Q(x)k∗Q(x)
P ( d = 1 ∣ t , x ) = P ~ ( t ∣ x ) P ~ ( t ∣ x ) + k ∗ Q ( x ) P(d = 1| t, x) = \frac{\widetilde{P}(t|x)}{\widetilde{P}(t|x) + k * Q(x)} P(d=1∣t,x)=P (t∣x)+k∗Q(x)P (t∣x)
在神经网络算法中,我们使用 P θ ( t , x ) P_\theta(t,x) Pθ(t,x)来代替 P ~ ( t ∣ x ) \widetilde{P}(t|x) P (t∣x),并试图用梯度下降法来训练 θ \theta θ。
Negative Sampling
Negative Sampling是NCE的一种近似,比较值得注意的是,negative sampling对于分布Q有强依赖,NCE则没有这个问题。
tensorflow实现
NCE loss在tensorflow中的文档可以参考tf.nn.nce_loss。要注意的是,使用这种方法时,标签必须按照frequency的降序排序,因为默认的采样方法是tf.nn.log_uniform_candidate_sampler。当然我们也可以实现自己的采样方法。
Negative sampling则用sampled_softmax_loss来实现,注意sampled_softmax_loss只能处理一个正label的情况。