【读论文】Hash Embeddings for Efficient Word Representations

abstract

Hash Embedding可以看作是普通word embedding 和通过随机hash 函数得到的词嵌入的interposition (插补)。

在Hash Embedding中，每个token由k个d维embedding vectors和一个k维weight vector表示，token的最终d维表示是两者的乘积。

实验表明，Hash Embedding可以轻松处理包含数百万个token的庞大词汇表。使用Hash Embedding时，无需在训练前创建字典，也无需在训练后进行任何形式的词汇修剪。使用Hash Embedding训练的模型表现出的性能至少与在各种任务中使用常规Embedding训练的模型具有相同的性能水平。

 

Introduction

经典的word embedding表示方法存在的问题：词表过大时，极大的增加神经网络参数量。

传统解决词表过大的方法：

1. 忽略低频词、停用词。问题：有些低频词或停用词在特定任务中可能是关键信息。例如“and”在一个逻辑相关的任务中是非常重要的。

2.Remove non-discriminative tokens after training：选取最有效的token。问题：性能下降、很多任务不合适

3. 压缩词向量：有损压缩(量化等)

 

使用Hash Embedding能有效避免上述方法的问题，并且有很多优点：

1. 使用Hash Embedding时，无需事先创建字典，并且该方法可以处理动态扩展的词汇表。

2. Hash Embedding具有能够隐式词汇修剪的机制。

3. Hash Embedding基于Hash，但具有可训练的机制，可以处理有问题的冲突。

4. Hash