GloVe原理介绍

1. 引言

当前，学习词向量表示的方法主要有两种类型：一种是基于全局矩阵分解的方法，如LSA，另一种是局部上下文窗口的方法，如Mikolov在2013年提出来的CBOW和skip-gram方法。但是这两种方法都有各自的缺陷，其中，LSA虽然有效利用了统计信息，但是在词汇类比方面却很差，而CBOW和skip-gram虽然可以很好地进行词汇类比，但是因为这两种方法是基于一个个局部的上下文窗口方法，因此，没有有效地利用全局的词汇共现统计信息。

为了克服全局矩阵分解和局部上下文窗口的缺陷，在2014年，Jeffrey Pennington等人提出了一种新的GloVe方法，该方法基于全局词汇共现的统计信息来学习词向量，从而将统计信息与局部上下文窗口方法的优点都结合起来，并发现其效果确实得到了提升。

• 论文地址：《GloVe: Global Vectors for Word Representation Jeffrey》

2. GloVe原理介绍

首先，记词汇的共现矩阵为$X$，其中，每一个元素$X_{ij}$表示词汇$j$出现在词汇$i$上下文中的次数总和，令$X_i={\sum }_k{X}_{ik}$表示所有出现在词汇$i$上下文中的词汇的次数总和，令$P_{ij}=P(j|i)=X_{ij}/X_i$表示词汇$j$出现在词汇$i$上下文的概率。

在介绍GloVe的原理之前，先来看论文中的一个案例，假设$i=ice,j=steam$，并对$k$取不同的词汇，如“solid”，“gas”，“water”，“fashion”，根据上面的定义，我们分别计算他们的概率$P(k|ice)$、$P(k|\text{steam})$，并计算两者的比率$P(k|ice)/P(k|steam)$，可以发现，对于“solid”，其出现在“ice”上下文的概率应该比较大，出现在“steam”上下文的概率应该比较小，因此，他们的比值应该是一个比较大的数，在下表中是8.9，而对于“gas”，出现在“ice”上下文的概率应该比较小，而出现在“steam”上下文的概率应该比较大，因此，两者的比值应该是一个比较小的数，在下表中是$8.5\times 10^{-2}$，而对于“water、fashion”这两个词汇，他们与“ice”和steam“的相关性应该比较小，因此，他们的比值应该都是接近1。因此，这样来看可以发现，比值$P(k|ice)/P(k|steam)$在一定程度上可以反映词汇之间的相关性，当相关性比较低时，其值应该在1附件，当相关性比较高时，比值应该偏离1比较远。

基于这样的思想，作者提出了这样一种猜想，能不能通过训练词向量，使得词向量经过某种函数计算之后可以得到上面的比值，具体如下：
$$F\left(w_i,w_j,{\tilde{w}}_k\right)=\frac{P_{ik}}{P_{jk}}$$
其中，$w_i,w_j,{\tilde{w}}_k$为词汇$i,j,k$对应的词向量，其维度都为$d$，而$\frac{P_{ik}}{P_{jk}}$则可以直接通过语料计算得到，这里$F$为一个未知的函数。由于词向量都是在一个线性向量空间，因此，可以对$w_i,w_j$进行差分，将上式转变为如下：
$$F\left(w_i-w_j,{\tilde{w}}_k\right)=\frac{P_{ik}}{P_{jk}}$$
由于上式中左侧括号中是两个维度为$d$的词向量，而右侧是一个标量，因此，很容易会想到向量的内积，因此，上式可以进一步改变为：
$$F\left({\left(w_i-w_j\right)}^T{\tilde{w}}_k\right)=F\left(w_i^T{w}_k-w_j^T{w}_k\right)=\frac{P_{ik}}{P_{jk}}$$
由于上式中左侧是一种减法，而右侧是一种除法，很容易联想到指数计算，因此，可以把$F$限定为指数函数，此时有：
$$\exp \left(w_i^T{w}_k-w_j^T{w}_k\right)=\frac{\exp \left(w_i^T{w}_k\right)}{\exp \left(w_j^T{w}_k\right)}=\frac{P_{ik}}{P_{jk}}$$
因此，此时只要确保等式两边分子分母相等即可，即：
$$\exp \left(w_i^T{w}_k\right)=P_{ik},\exp \left(w_j^T{w}_k\right)=P_{jk}$$
进一步的，可以转化为对语料中的所有词汇，考察$\exp \left(w_i^T{w}_k\right)=P_{ik}=\frac{X_{ik}}{X_i}$，即：
$$w_i^T{w}_k=\log \left(\frac{X_{ik}}{X_i}\right)=\log X_{ik}-\log X_i$$
由于上式左侧$w_i^T{w}_k$中，调换$i$和$k$的值不会改变其结果，即具有对称性，因此，为了确保等式右侧也具备对称性，引入了两个偏置项，即
$$w_i^T{w}_k=\log X_{ik}-b_i-b_k$$此时，$\log X_i$已经包含在$b_i$当中。因此，此时模型的目标就转化为通过学习词向量的表示，使得上式两边尽量接近，因此，可以通过计算两者之间的平方差来作为目标函数，即：
$$J=\sum _{i,k=1}^V{\left(w_i^T{\tilde{w}}_k+b_i+b_k-\log X_{ik}\right)}^2$$
但是这样的目标函数有一个缺点，就是对所有的共现词汇都是采用同样的权重，因此，作者对目标函数进行了进一步的修正，通过语料中的词汇共现统计信息来改变他们在目标函数中的权重，具体如下：
$$J=\sum _{i,k=1}^{V}f\left(X_{ik}\right){\left(w_i^T{\tilde{w}}_k+b_i+b_k-\log X_{ik}\right)}^2$$
这里$V$表示词汇的数量，并且权重函数$f$必须具备以下的特性：

• $f(0)=0$，当词汇共现的次数为0时，此时对应的权重应该为0。
• $f(x)$必须是一个非减函数，这样才能保证当词汇共现的次数越大时，其权重不会出现下降的情况。
• 对于那些太频繁的词，$f(x)$应该能给予他们一个相对小的数值，这样才不会出现过度加权。

综合以上三点特性，作者提出了下面的权重函数：
$$f(x)=\{\begin{array}{cc}{\left(x/x_{\max }\right)}^{\alpha }& \text{ if }x<x_{\max }\\ 1& \text{ otherwise }\end{array}$$
作者在实验中设定$x_{\max }=100$，并且发现$\alpha =3/4$时效果比较好。函数的图像如下图所示：

3. 总结

以上就是有关GloVe原理的介绍，作者其实也是基于最开始的猜想一步一步简化模型的计算目标，最后看GloVe的目标函数时发现其实不难计算，但是要从最开始就想到这样一个目标函数其实还是很难的。最后做一下总结：

• Glove综合了全局词汇共现的统计信息和局部窗口上下文方法的优点，可以说是两个主流方法的一种综合，但是相比于全局矩阵分解方法，由于GloVe不需要计算那些共现次数为0的词汇，因此，可以极大的减少计算量和数据的存储空间。
• 但是GloVe把语料中的词频共现次数作为词向量学习逼近的目标，当语料比较少时，有些词汇共现的次数可能比较少，笔者觉得可能会出现一种误导词向量训练方向的现象。