NLP进阶之（六）Word2Vec+FastText+Glove

1. WordEmbedding（seq2seq）

自上世纪90年代开始，特征空间模型就应用于分布式语言理解中，在当时，许多模型用连续型表征来表示词语，包括潜在语义分析（Latent Semantic Analysis）和潜在狄拉克雷分配（Latent Dirichlet Allocation）模型，这篇文章详细介绍了词向量方法在那个时期的发展。Bengio等人在2003年首先提出了词向量的概念，当时是将其余语言模型的参数一同训练得到。Collobert和Weston则第一次正式使用预训练的词向量。
词向量意义在于将语言数学化——词向量就是一种将自然语言数学化的方法。词向量方法是无监督式学习的少数几个成功应用之一。它的优势在于不需要人工标注语料，直接使用未标注的文本训练集作为输入。输出的词向量可以用于下游的业务处理。
一般来说，神经网络将词表中的词语作为输入，输出一个低维度的向量表示这个词语，然后用反向传播的方法不断优化参数，输出的低维向量是神经网络的第一层参数，这一层通常也称为Embedding Layer。
生成的词向量模型一般分为两种，一种是word2vec，这类模型的目的就是生成词向量，另一种模型是将词向量作为副产物产生，两者的区别在于计算量不同。若词表非常庞大，用深层结构模型训练词向量需要许多计算资源。这也是直到2013年词向量才开始被广泛用于NLP领域的原因。

1.1 Word2Vec

Word2Vec是词嵌入（word embedding）的一种，其中，Word2Vec提供了两套模型，第一种是Skip-gram，另一种是CBOW，其在语言数字化的过程中有以下几种变换：

• One-hot Encoding
• 分布式表示(Distributed Representation)
  • 潜在语义分析(Latent Semantic Analysis, LSA)
    • SVD分解
  • 隐含狄利克雷分布(Latent Dirichlet Allocation, LDA)
  • 神经网络、深度学习

1.2 Skip-gram和CBOW

• Skip-gram 是用一个词作为输入，来预测其周围的上下文
• CBOW是拿一个词的上下文作为输入，来预测这个词本身，是一个CBOW模型。
  目前基于迭代的方法获取词向量大多是基于语言模型训练得到的，对于一个不合理的句子，希望语言模型能够给予一个较大的概率，同理，对于一个不合理的句子，给与一个较小的概率评估，具体的形式化如下：
  $$P(w^{(1)},w^{(2)},\dots ,w^{(n)})=\prod _{i=2}^{n}P(w^i)$$
  $$P(w^{(1)},w^{(2)},\dots ,w^{(n)})=\prod _{i=2}^{n}P(w^i|w^{i-1})$$
  第一个公式，一元语言模型，假设当前词的概率只与自己有关，第二个公式：二元语言模型，假设当前词的概率和当前一个词有关。因此我们可以从训练集的构建上更好的理解和区别CBOW和Skip-gram的模型。
• 每个训练样本为一个二元组$(x,y)$，其中$x$为特征，$y$为标签
• 假设上下文窗口的大小context_window =5，即:$[w_{t-2},w_{t-1},w_t,w_{t+1},w_{t+2}]$，或者说skip_window=2，有context_window = skip_window*2 + 1
• CBOW的训练样本为：$([w_{t-2},w^{}$