[论文笔记] [2013] [NIPS] Distributed Representations of Words and Phrases and their Compositionality

这篇论文的作者 Mikolov 基于他前面的工作——skip-gram model学习 word embedding，提出了几个提高词向量性能和训练速度的技巧，以及如何学习短语的表示。

这篇论文的主要贡献为：

1. 利用 subsampling 加速训练和提高词向量的质量；
2. 对 Noise Contrastive Estimation（NCE）做了一些简化，提出了 Negative sampling 来优化模型训练速度；
3. 尝试学习短语的表示。

The Skip-gram Model

Mikolov 之前的工作 skip-gram [1] 简单看来，就是给定一个中心词去预测周围词，训练的过程就是学习词向量的过程。模型的目标函数是：
$$\frac{1}{T}\sum _{t=1}^T\sum _{-c\le j\le c,j\ne 0}\log p(w_{t+j}|w_t)$$
其中 $c$ 为上下文词的范围。c 越大，需要的训练样本更大，训练的时间更久，但模型的效果会更好。 $p(w_{t+j}|w_t)$ 的计算则是通过 softmax函数做概率的归一化：
$$p(w_O|w_I)=\frac{\exp (v_{w_O}^{\prime T}{v}_{w_I})}{{\sum }_{w=1}^W\exp (v_w^{\prime T}{v}_{w_I})}$$
其中，$v_w$ 和 $v_w^{\prime }$ 分别为单词$w$的中心词词向量和周围词词向量（论文中称 “input” and “output” vector representations），$W$ 为词表的大小。采用 softmax 函数，在 inference的时候需要计算词表中每个词的概率，在一些W非常大的任务下，无疑计算量是很大的。另外，将上式预测一个词$w_O$的概率，代入到 cross-entropy loss中，可得（这里只是简化下，只计算一个词的loss）
$$J_{\theta }=-\log \frac{\exp (v_{w_O}^{\prime T}{v}_{w_I})}{{\sum }_{w=1}^W\exp (v_w^{\prime T}{v}_{w_I})}$$
通过化简，可以得到：
$$J_{\theta }=-v_{w_O}^{\prime T}{v}_{w_{}}$$