NLP论文学习笔记-word2vec

论文原文: Efficient Estimation of Word Representations in Vector Space
作者: Tomas Mikolov
发表时间: 2013

一、论文背景

统计语言模型
基于马尔科夫假设（下一个词的出现仅依赖于前面的一个词或几个词），通过概率计算来描述语言模型(用语料在数据集出现频率近似概率结果)

缺点：参数空间过大，数据稀疏严重

Word representation

1. One-hot Representation(稀疏)
   watch [0,0,0,0,0,0,0,0,0,1]
   table [0,0,0,0,0,0,0,0,1,0]
2. Distributed Representation（稠密）
   watch [0.1,0.2,0.1,0.1,0.7,0.8,0.9,0.1,0.1,0.1]

N-gram

NNLM (Feedforward Neural Net Language Model 前馈神经网络)

• 引用: Bengio A neural probabilistic language model (2003)
• 基本思想：根据前N-1个词预测第N个位置出现单词的概率，优化模型，使输出概率最大；
• 输入层： [1xV] * [VxD] => [1xD] （V：vocabulary 词表大小，D：词向量维度）
• 隐藏层： 全连接层，激活函数a=tanh(d+Ux)
• 输出层： softmax函数，y=b+Wa ( y的维度 [ 1 x V ] )
• Loss：L = $-\frac{1}{T}{\sum }_{i=1}^{T}logp(w_i|w_{i-n+1},...,w_{i-1})$
• 困惑度： PP(s) = $P(w_1,w_2,...w_T{)}^{-\frac{1}{T}}$ =$\sqrt[T]{\frac{1}{P(w_1,w_2,...w_T)}}$ = ${\mathbf{e}}^{\mathbf{L}}$

优点：

1. 仅对一部分输出进行梯度传播;
2. 引入先验知识，如词性等；
3. 解决一词多义问题；
4. 加速softmax层；

RNNLM (Recurrent Neural Net Language Model 循环神经网络)

• 基本思想：每个时间步预测一个词，在预测第N个词时试用了前N-1个词的信息；
• 输入层： [1xV] * [VxD] => [1xD] （V：vocabulary 词表大小，D：词向量维度）
• 隐藏层： 全连接层，$s(t)=Uw(t)+Ws(t-1)+d$
• 输出层： softmax函数，$y(t)=b+Vs(t)$ ( y的维度 [ 1 x V ] )
• Loss：L = $-\frac{1}{T}{\sum }_{i=1}^{T}logp(w_i|w_{i-n+1},...,w_{i-1})$
• 困惑度： PP(s) = $P(w_1,w_2,...w_T{)}^{-\frac{1}{T}}$ =$\sqrt[T]{\frac{1}{P(w_1,w_2,...w_T)}}$ = ${\mathbf{e}}^{\mathbf{L}}$

二、模型结构

语言模型的基本思想
句子中下一个词的出现和前面的 词是有关系的，所以可以使用前面的词预测下一个词。
Word2Vec的基本思想
句子中相近的词之间是有联系 的，比如今天后面经常出现上午，下午和晚上。所以 Word2vec的基本思想就是用词来预测词，skip-gram 使用中心词预测周围词，cbow使用周围词预测中心 词。

2.1 abstract

1. 提出了两种新颖的模型结构（skip-gram、cbow）用来计算词向量
2. 采用一种词相似度的任务来评估对比词向量质量
3. 大量降低模型计算量可以提升词向量质量
4. 在语义和句法任务上，效果表现很好

2.2 SKIP-GRAM

求解公式： $p(o|c)=\frac{exp(u_o^T{v}_c)}{{\sum }_{w=1}^{V}exp(u_w^T{v}_c)}$

注： $v_c$是中心词向量 ，$u_o^T{v}_C$是窗口内上下文词向量

---

损失函数：$J(\theta )=\frac{1}{T}{\sum }_{t=1}^T{\sum }_{-m\le j\le m,j\ne 0}\log p(w_{t+j}|w_t)$

2.2 CBOW

基本原理： $p_i=p(w_i|w_{i-2},w_{i-1},w_{i+1},w_{i+2})$
求解公式： p ( c ∣ o ) = e x p { u o T v c } ∑ j = 1 V e x p { u w T v c } p(c|o) = \frac {exp\{u_o^Tv_c\}}{\sum_{j=1}^Vexp\{u_w^Tv_c\}} p(c∣o)=∑j=1V​exp{uwT​vc​}exp{uoT​vc​}​

注：
e1,e2,e3,e4 上下文词
$u_o$ = sum(e1,e2,e3,e4)
$u_o$是窗口内上下文词向量的和 ，$v_c{v}_j$是中心词向量

---

损失函数：
J ( θ ) = 1 T ∑ T ∑ log ⁡ p ( c ∣ o ) ) = 1 T ∑ e x p { u o T v c } ∑ j = 1 V e x p { u w T v c } J(\theta) = \frac1T\sum_{T}\sum \log p(c|o))=\frac 1T \sum \frac {exp\{u_o^Tv_c\}}{\sum_{j=1}^Vexp\{u_w^Tv_c\}} J(θ)=T1​∑T​∑logp(c∣o))=T1​∑∑j=1V​exp{uwT​vc​}exp{uoT​vc​}​

2.3 复杂度

1. Hierarchical Softmax （层次softmax）
   基本思路：构建哈夫曼树，复杂度 V => ${\log }_{2}V$
2. Negative Sampling
   基本思路：增大正样本概率，减小负样本概率
   损失函数：$J_{neg-sample}(\theta )=\log \sigma (u_o^T{v}_c)+{\sum }_{k=1}^K{E}_{k\sim P(w)}[\log \sigma (-u_k^T{v}_c)]$
   注： $v_c$是中心词向量，$u_o$窗口内上下文词向量，$u_k$负采样上下文词向量
   第一部分是P(o|c)，第二部分是1-P(j|c)
   负采样： $P(w)=\frac{U(w{)}^{\frac{3}{4}}}{z}$
3. Subsampling of Frequent Words(重采样)
   重采样方法：$P(w)=1-\sqrt{\frac{t}{f(w_i)}}$
   注：$f(w_i)$是词在数据集中出现的概率，论文中 $t=10^{-5}$, 训练集中词$w_i$会以$P(w_i)$的概率被删除。

三、数据集和测试方法

//TODO

四、讨论和回顾

//TODO

五、语言模型评价指标

1. 困惑度

2. 衡量词的相似度方法
sim 𝑤𝑜𝑟𝑑1, 𝑤𝑜𝑟𝑑2 = cos(𝑤𝑜𝑟𝑑𝑣𝑒𝑐1, 𝑣𝑜𝑟𝑑𝑣𝑒𝑐2)