自然语言处理向量模型-Word2Vec

自然语言处理向量模型-Word2Vec

自然语言处理与深度学习

• 拼写检查、关键词检索…
• 文本挖掘（产品价格、日期、时间、地点、人名、公司名）
• 文本分类
• 机器翻译
• 客服系统 英语
• 复杂对话系统

深度学习的基础模型是神经网络，指定学习目标，就可以朝着学习的优化目标前进

为什么需要深度学习？

• 手工特征耗时耗力, 还不易拓展
• 自动特征学习快, 方便拓展
• 深度学习提供了一种通用的学习框架, 可用来表示世界、视觉和语言学信息
• 深度学习既可以无监督学习, 也可以监督学习

语言模型实例：机器翻译；拼写纠错 ；智能问答

我 今天 下午 打 篮球

p(S)=p(w1,w2,w3,w4,w5,…,wn)
=p(w1)p(w2|w1)p(w3|w1,w2)…p(wn|w1,w2,…,wn-1)

p(S)被称为语言模型，即用来计算一个句子概率的模型

语言模型存在哪些问题呢？1.数据过于稀疏2.参数空间太大 p(wi|w1,w2,…,wi-1) = p(w1,w2,…,wi-1,wi) / p(w1,w2,…,wi-1)

解决方法：

假设下一个词的出现依赖它前面的一个词：
p(S)=p(w1)p(w2|w1)p(w3|w1,w2)…p(wn|w1,w2,…,wn-1)
=p(w1)p(w2|w1)p(w3|w2)…p(wn|wn-1)

假设下一个词的出现依赖它前面的两个词：
p(S)=p(w1)p(w2|w1)p(w3|w1,w2)…p(wn|w1,w2,…,wn-1)
=p(w1)p(w2|w1)p(w3|w1,w2)…p(wn|wn-1,wn-2)

假设词典的大小是N则模型参数的量级是$\left(O\left(N^n\right)\right)$

词向量

词是最基本的单位，把词转换为计算机认识的形式。要将词转换为向量。语言空间上词与词之间是有距离的，相似的词离得比较近

不同的语言构造的向量模型是相近的。

神经网络模型

第一层是输入层，第二层是投影层，将输入的前三个词拼接在一起

训练样本：$\text{ (Context }(w),w)$ 包括前n-1个词分别的向量,假定每个词向量大小m
投影层：(n-1)*m 首尾拼接起来的大向量
输出：${\mathbf{y}}_w={\left(y_{w,1},y_{w,2},\cdots ,y_{w,N}\right)}^{\top }$
表示上下文为$\text{ Context }(w)$ 时,下一个词恰好为词典中第i个词的概率
归一化：$p(w\mid \text{ Context }(w))=\frac{e^{y_{w,i_w}}}{{\sum }_{i=1}^N{e}^{y_{w,i}}}$

优势：

S1 = ‘’我 今天 去 网咖’’ 出现了1000次
S2 = ‘’我 今天 去 网吧’’ 出现了10次
对于N-gram模型：P(S1) >> P(S2)
而神经网络模型计算的P(S1) ≈ P(S2)

只要语料库中出现其中一个，其他句子的概率也会相应的增大

Hierarchical Softmax

分层的Softmax

CBOW 是 Continuous Bag-of-Words Model 的缩写，是一种根据上下文的词语预测当前词语的出现概率的模型

$\mathcal{L}={\sum }_{w\in \mathcal{C}}\log p(w\mid \text{ Context }(w))$

哈夫曼树介绍

走左子树还是右子树，是二分类通常用逻辑回归

CBOW的输入层是上下文的词语的词向量，在训练CBOW模型，词向量只是个副产品，确切来说，是CBOW模型的一个参数。训练开始的时候，词向量是个随机值，随着训练的进行不断被更新）。
投影层对其求和，所谓求和，就是简单的向量加法。
输出层输出最可能的w。由于语料库中词汇量是固定的|C|个，所以上述过程其实可以看做一个多分类问题。给定特征，从|C|个分类中挑一个。

1. $p^w$ 从根结点出发到达 $\mathrm{W} $ 对应叶子结点的路径.
2. $l^{w} $ 路径中包含结点的个数
3. $p_{1}^{w}, p_{2}^{w}, \cdots, p_{l^{w}}{w} $ 路径 $p^w$ 中的各个节点

$\begin{array}{l}p\left(d_j^w\mid {\mathbf{x}}_w,{\theta }_{j-1}^w\right)={\left[\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]}^{1-d_j^w}\cdot {\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]}^{d_j^w}\\ \mathcal{L}={\sum }_{w\in \mathcal{C}}\log p(w\mid \mathrm{Context}(w))\\ \mathcal{L}={\sum }_{w\in \mathcal{C}}\log {\prod }_{j=2}^{l^w}\left\{{\left[\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]}^{1-d_j^w}\cdot {\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]}^{d_j^w}\right\}\\ ={\sum }_{w\in \mathcal{C}}{\sum }_{j=2}^{l^w}\left\{\left(1-d_j^w\right)\cdot \log \left[\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]+d_j^w\cdot \log \left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]\right\}\end{array}$

梯度上升求解

$\frac{\partial \mathcal{L}(w,j)}{\partial {\theta }_{j-1}^w}=\frac{\partial }{\partial {\theta }_{j-1}^w}\left\{\left(1-d_j^w\right)\cdot \log \left[\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]+d_j^w\cdot \log \left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]\right\}$

sigmoid函数的导数: ${\sigma }^{\prime }(x)=\sigma (x)[1-\sigma (x)].$
代入上上式得到: $$\left(1-d_j^w\right)\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]{\mathbf{x}}_w-d_j^w\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right){\mathbf{x}}_w$$
合并同类项得到: $\left[1-d_j^w-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]{\mathbf{x}}_w$

$$\frac{\partial \mathcal{L}(w,j)}{\partial {\mathbf{x}}_w}=\left[1-d_j^w-\sigma \left({\mathbf{x}}_w^{\top }{\theta }_{j-1}^w\right)\right]{\theta }_{j-1}^w$$

$\mathbf{v}(\tilde{w}):=\mathbf{v}(\tilde{w})+\eta {\sum }_{j=2}^{l^w}\frac{\partial \mathcal{L}(w,j)}{\partial {\mathbf{x}}_w},\tilde{w}\in \mathrm{Context}(w)$

负采样模型(Negative Sampling)

$L^w(\tilde{w})=\{\begin{array}{ll}1,& \tilde{w}=w:\\ 0,& \tilde{w}\ne w.\end{array}\text{ 负样本那么多, 该如何选取呢? }$

对于一个给定的正样本 $(\mathrm{Context}(w),w)$ , 我们希望最大化

p ( u ∣  Context  ( w ) ) = { σ ( x w ⊤ θ u ) , 1 − σ ( x w ⊤ θ u ) g ( w ) = ∏ u ∈ { w } ∪ N E G ( w ) p ( u ∣  Context  ( w ) ) \begin{array}{l} p(u \mid \text { Context }(w))=\left\{\begin{array}{l} \sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right), \\ 1-\sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right) \end{array}\right. \\ g(w)=\prod_{u \in\{w\} \cup N E G(w)} p(u \mid \text { Context }(w)) \end{array} p(u∣ Context (w))={σ(xw⊤​θu),1−σ(xw⊤​θu)​g(w)=∏u∈{w}∪NEG(w)​p(u∣ Context (w))​

$g(w)=\sigma \left({\mathbf{x}}_w^{\top }{\theta }^w\right){\prod }_{u\in NEG(w)}\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]$

$\sigma \left({\mathrm{x}}_w^{\top }{\theta }^w\right)\text{ 表示当上下文为 Context }(w)\text{ 时, 预测中心词为 }w\text{ 的概率: }$

$\sigma \left({\mathrm{x}}_w^{\top }{\theta }^u\right),u\in NEG(w)\text{ 则表示当上下文为 }\mathrm{Context}(w)\text{ 时, 预测中心词为 }u\text{ 的概率 }$

对于一个给定的语料库 $\mathcal{C}.$

$G={\prod }_{w\in \mathcal{C}}g(w)$

L = log ⁡ G = log ⁡ ∏ w ∈ C g ( w ) = ∑ w ∈ C log ⁡ g ( w ) = ∑ w ∈ C log ⁡ ∏ u ∈ { w } ∪ N E G ( w ) { [ σ ( x w ⊤ θ u ) ] L w ( u ) ⋅ [ 1 − σ ( x w ⊤ θ u ) ] 1 − L w ( u ) } = ∑ w ∈ C ∑ u ∈ { w } ∪ N E G ( w ) { L w ( u ) ⋅ log ⁡ [ σ ( x w ⊤ θ u ) ] + [ 1 − L w ( u ) ] ⋅ log ⁡ [ 1 − σ ( x w ⊤ θ u ) ] } \begin{aligned} \mathcal{L} &=\log G=\log \prod_{w \in \mathcal{C}} g(w)=\sum_{w \in \mathcal{C}} \log g(w) \\ &=\sum_{w \in \mathcal{C}} \log \prod_{u \in\{w\} \cup N E G(w)}\left\{\left[\sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right)\right]^{L^{w}(u)} \cdot\left[1-\sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right)\right]^{1-L^{w}(u)}\right\} \\ &=\sum_{w \in \mathcal{C}} \sum_{u \in\{w\} \cup N E G(w)}\left\{L^{w}(u) \cdot \log \left[\sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right)\right]+\left[1-L^{w}(u)\right] \cdot \log \left[1-\sigma\left(\mathbf{x}_{w}^{\top} \theta^{u}\right)\right]\right\} \end{aligned} L​=logG=logw∈C∏​g(w)=w∈C∑​logg(w)=w∈C∑​logu∈{w}∪NEG(w)∏​{[σ(xw⊤​θu)]Lw(u)⋅[1−σ(xw⊤​θu)]1−Lw(u)}=w∈C∑​u∈{w}∪NEG(w)∑​{Lw(u)⋅log[σ(xw⊤​θu)]+[1−Lw(u)]⋅log[1−σ(xw⊤​θu)]}​

$\begin{array}{rl}\frac{\partial \mathcal{L}(w,u)}{\partial {\theta }^u}& =\frac{\partial }{\partial {\theta }^u}\left\{L^w(u)\cdot \log \left[\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]+\left[1-L^w(u)\right]\cdot \log \left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]\right\}\\ & =L^w(u)\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]{\mathbf{x}}_w-\left[1-L^w(u)\right]\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right){\mathbf{x}}_w\\ & =\left\{L^w(u)\left[1-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]-\left[1-L^w(u)\right]\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right\}{\mathbf{x}}_w\\ & =\left[L^w(u)-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]{\mathbf{x}}_w\end{array}$

${\theta }^u\text{ 的更新公式可写为 }{\theta }^u:={\theta }^u+\eta \left[L^w(u)-\sigma \left({\mathrm{x}}_w^{\top }{\theta }^u\right)\right]{\mathrm{x}}_w$

$\frac{\partial \mathcal{L}(w,u)}{\partial {\mathbf{x}}_w}=\left[L^w(u)-\sigma \left({\mathbf{x}}_w^{\top }{\theta }^u\right)\right]{\theta }^u$

v ( w ~ ) : = v ( w ~ ) + η ∑ u ∈ { w } ∪ N E G ( w ) ∂ L ( w , u ) ∂ x w , w ~ ∈ Context ⁡ ( w ) \mathbf{v}(\widetilde{w}):=\mathbf{v}(\widetilde{w})+\eta \sum_{u \in\{w\} \cup N E G(w)} \frac{\partial \mathcal{L}(w, u)}{\partial \mathbf{x}_{w}}, \widetilde{w} \in \operatorname{Context}(w) v(w ):=v(w )+η∑u∈{w}∪NEG(w)​∂xw​∂L(w,u)​,w ∈Context(w)