《word2vec中的数学》内容摘要（三、基于Hierarchical的Skip-gram模型）

shanghai_in_summer

于 2020-04-27 22:46:40 发布

阅读量118

点赞数

分类专栏：数据挖掘文章标签： nlp

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/sunjianqiang12345/article/details/105801649

版权

数据挖掘专栏收录该内容

11 篇文章 0 订阅

订阅专栏

(2) Skip-gram模型

设样本为 (w,Context(w))

① 网络结构

a 输入层：只含当前样本中心词的词向量 $\mathbf{v}(w)\in\mathbb{R}^{m}$ .

b 投影层：这个是恒等投影，把 $\mathbf{v}(w)$ 投影到 $\mathbf{v}(w)$ ，所以投影层是多余的

c 输出层：输出层为一颗Huffman树

② 梯度计算

目标函数形如

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

定义

$p(Context(w)|w)=\prod_{u \in Context(w)}{p(u|w)}$

其中

$p(u|w)=\prod^{l^u}_{j=2}{p(d^u_j|\mathbf{v}(w), \mathbf{\theta}^u_{j-1})}$ , $p(d^u_j|\mathbf{v}(w), \mathbf{\theta}^u_{j-1}) =[\sigma(\mathbf{v}(w)^T\mathbf{\theta}^u_{j-1})]^{1-d^u_j}\cdot [1-\sigma(\mathbf{v}(w)^T\mathbf{\theta}^u_{j-1})]^{d^u_j}$

所以

记花括号中的内容为

参数的更新采用梯度上升法

所以 $\mathbf{\theta}^u_{j-1}$ 的更新公式为

$\mathbf{\theta}^u_{j-1}:=\mathbf{\theta}^u_{j-1}+\eta [1-d^u_j-\sigma(\mathbf{v}(w)^T\mathbf{\theta}^u_{j-1})]\mathbf{v}(w)$

L(w, u, j) 中 $\mathbf{v}(w)$ 和 $\mathbf{\theta}^u_{j-1}$ 是对称的，所以

$\frac{\partial{L(w, u, j)}}{\partial{\mathbf{v}(w)}}= [1-d^u_j-\sigma(\mathbf{v}(w)^T\mathbf{\theta}^u_{j-1})]\mathbf{\theta}^u_{j-1}$

于是 $\mathbf{v}(w)$ 的更新公式为

$\mathbf{v}(w):=\mathbf{v}(w)+\eta\sum_{u \in Context(w)}{\sum^{l^u}_{j=2} \frac{\partial L(w,u,j)}{ \partial \mathbf{v}(w) } }$

③ 伪代码

a Context(w) 中所有的词都处理完后才刷新 $\mathbf{v}(w)$

b 一种改进是每处理完 Context(w) 中的一个词就及时刷新 $\mathbf{v}(w)$

shanghai_in_summer

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
《word2vec中的数学》内容摘要（三、基于Hierarchical的Skip-gram模型）

(2) Skip-gram模型设样本为① 网络结构 a 输入层：只含当前样本中心词的词向量
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。