（三）Word2vec -- 3 基于Negative Sampling的模型

3. 基于Negative Sampling的模型

3.1 选取负样本

选取负样本需要按照一定的概率分布，Word2vec的作者们经测试发现：最佳的分布是$\frac{3}{4}$次幂的Unigram distribution。

• Unigram distribution的定义
  Unigram来自于Unigram Model（即，一元模型），认为语料库中所有词出现的概率都是互相独立的。
  因此，Unigram distribution是在语料库中随机选择，即，高频词被选中的概率大，低频词被选中的概率小。
  其概率分布公式如下：
  $$p(w)=\frac{[count(w){]}^{\frac{3}{4}}}{{\sum }_{u\in D}[count(u){]}^{\frac{3}{4}}}$$

3.2 CBOW模型

CBOW模型中，是已知词$w$的上下文$Context(w)$，需要预测$w$。

假设已选定一个关于$w$的负样本子集$NEG(w)$（即，每次只从词典里随机选取一些word作为当前词$w$的负样本），且对词典$D$中的任意词$w^{\prime }$，都有：

$$L^w(w^{\prime })=\{\begin{array}{ll}1& \text{w=w′}\\ 0& \text{w=w′}\end{array}$$

那么，对于一个给定的正样本$(Context(w),w)$，希望最大化：

g ( w ) = ∏ u ∈ { w } ⋃ N E G ( w ) p ( u ∣ C o n t e x t ( w ) ) 其 中 p ( u ∣ C o n t e x t ( w ) ) = { σ ( X w T θ u ) L w ( u ) = 1 1 − σ ( X w T θ u ) L w ( u ) = 0 = [ σ ( X w T θ u ) ] L w ( u ) ⋅ [ 1 − σ ( X w T θ u ) ] 1 − L w ( u ) g(w)=\prod_{u \in \{w\} \bigcup NEG(w)}p(u|Context(w)) \\ \text{} \\ 其中 \\ \text{} \\ p(u|Context(w))=\begin{cases} \sigma(X^T_w\theta^u) & \text {$L^w(u)=1$} \\ 1-\sigma(X^T_w\theta^u) & \text{$L^w(u)=0$} \end{cases} \\ \text{} \\ =[ \sigma(X^T_w\theta^u)]^{L^w(u)} \cdot [1-\sigma(X^T_w\theta^u)]^{1-L^w(u)} g(w)=u∈{w}⋃NEG(w)∏​p(u∣Context(w))其中p(u∣Context(w))={σ(XwT​θu)1−σ(XwT​θu)​Lw(u)=1Lw(u)=0​=[σ(XwT​θu)]Lw(u)⋅[1−σ(XwT​θu)]1−Lw(u)

因此，有：

$$g(w)=\sigma (X_w^T{\theta }^w)\prod _{u\in NEG(w)}[1-\sigma (X_w^T{\theta }^u)]$$

其中，$\sigma (X_w^T{\theta }^w)$和$\sigma (X_w^T{\theta }^u)$分别表示：上下文为$Context(w)$时，预测中心词为$w$的概率和为$u$的概率（即，一个二分类）。

因此，最大化$g(w)$相当于增大正样本的概率，同时降低负样本的概率，而这就是所期望的。

事实上，此时的$g(w)$表示$P(D|w,Context(w))$，即，求联合概率分布（NCE的思想）。

3.2.1 梯度计算

对于给定语料库$C$，整体的优化目标为最大化$G={\prod }_{w\in C}g(w)$。因此，有损失函数：

L = l o g G = l o g ∏ w ∈ C g ( w ) = ∑ w ∈ C l o g   g ( w ) = ∑ w ∈ C l o g ∏ u ∈ { w } ⋃ N E G ( w ) { [ σ ( X w T θ u ) ] L w ( u ) ⋅ [ 1 − σ ( X w T θ u ) ] 1 − L w ( u ) } = ∑ w ∈ C ∑ u ∈ { w } ⋃ N E G ( w ) { L w ( u ) ⋅ l o g [ σ ( X w T θ u ) ] + [ 1 − L w ( u ) ] ⋅ l o g [ 1 − σ ( X w T θ u ) ] } L= logG=log \prod_{w \in C} g(w)=\sum_{w \in C} log\, g(w) \\ \text{} \\ =\sum_{w \in C}log \prod_{u \in \{w\} \bigcup NEG(w)} \{[ \sigma(X^T_w\theta^u)]^{L^w(u)} \cdot [1-\sigma(X^T_w\theta^u)]^{1-L^w(u)}\} \\ \text{} \\ =\sum_{w \in C} \sum_{u \in \{w\} \bigcup NEG(w)} \{L^w(u) \cdot log[\sigma(X^T_w\theta^u)] + [1-L^w(u)] \cdot log[1-\sigma(X^T_w\theta^u)]\} L=logG=logw∈C∏​g(w)=w∈C∑​logg(w)=w∈C∑​logu∈{w}⋃NEG(w)∏​{[σ(XwT​θu)]Lw(u)⋅[1−σ(XwT​θu)]1−Lw(u)}=w∈C∑​u∈{w}⋃NEG(w)∑​{Lw(u)⋅log[σ(XwT​θu)]+[1−Lw(u)]⋅log[1−σ(XwT​θu)]}

令：

$$L(w,u)=L^w(u)\cdot log[\sigma (X_w^T{\theta }^u)]+[1-L^w(u)]\cdot log[1-\sigma (X_w^T{\theta }^u)]$$

求最大似然，采用「随机梯度上升法」。

计算梯度：

∂ L ( w , u ) ∂ θ u = ∂ ∂ θ u { L w ( u ) ⋅ l o g [ σ ( X w T θ u ) ] + [ 1 − L w ( u ) ] ⋅ l o g [ 1 − σ ( X w T θ u ) ] } 利 用 [ l o g σ ( x ) ] ′ = 1 − σ ( x ) , [ l o g ( 1 − σ ( x ) ) ] ′ = − σ ( x ) 得 = L w ( u ) [ 1 − σ ( X w T θ u ) ] X w − [ 1 − L w ( u ) ] σ ( X w T θ u ) X w = [ L w ( u ) − σ ( X w T θ u ) ] X w \frac{\partial L(w,u)}{\partial \theta^u}=\frac{\partial}{\partial \theta^u} \{ L^w(u) \cdot log[\sigma(X^T_w\theta^u)] + [1-L^w(u)] \cdot log[1-\sigma(X^T_w\theta^u)] \} \\ \text{} \\ 利用 [log\sigma(x)]'=1-\sigma(x), [log(1-\sigma(x))]'=-\sigma(x) 得 \\ \text{} \\ =L^w(u) [1-\sigma(X^T_w\theta^u)] X_w - [1-L^w(u)] \sigma(X^T_w\theta^u) X_w \\ \text{} \\ = [L^w(u) - \sigma(X^T_w\theta^u)] X_w ∂θu∂L(w,u)​=∂θu∂​{Lw(u)⋅log[σ(XwT​θu)]+[1−Lw(u)]⋅log[1−σ(XwT​θu)]}利用[logσ(x)]′=1−σ(x),[log(1−σ(x))]′=−σ(x)得=Lw(u)[1−σ(XwT​θu)]Xw​−[1−Lw(u)]σ(XwT​θu)Xw​=[Lw(u)−σ(XwT​θu)]Xw​

根据对称性：

$$\frac{\partial L(w,u)}{\partial X_w}=[L^w(u)-\sigma (X_w^T{\theta }^u)]{\theta }^u$$

因此，对于词向量的更新为：

v ( w ′ ) : = v ( w ′ ) + η ∑ u ∈ { w } ⋃ N E G ( w ) ∂ L ( w , u ) ∂ X w , w ′ ∈ C o n t e x t ( w ) v(w'):=v(w')+\eta \sum_{u \in \{w\} \bigcup NEG(w)} \frac{\partial L(w,u)}{\partial X_w}, w' \in Context(w) v(w′):=v(w′)+ηu∈{w}⋃NEG(w)∑​∂Xw​∂L(w,u)​,w′∈Context(w)

3.2.2 伪码

CBOW模型的伪码如下：

参考

博客：Word2Vec-知其然知其所以然