word2vec

word2vec

为什么要进行embedding

word2vec就是对word进行embedding

首先,我们知道,在机器学习和深度学习中,对word的最简单的表示就是使用one-hot([0,0,1,0,0…..]来表示一个word). 但是用one-hot表示一个word的话,会有一些弊端:从向量中无法看出word之间的关系($(w^{word_a})^Tw^{word_b}=0$),而且向量也太稀疏. 所以一些人就想着能否用更小的向量来表示一个word,希望这些向量能够承载一些语法和语义上的信息, 这就产生了word2vec

Language Model(Unigrams, Bigrams, Trigrams..etc)

language model 对序列的概率建模
Unigram:
假设句子中,各个word是独立的
$P(w_1,w_2,w_3..,w_n) = \prod_{i=1}^{n}P(w_i)$

Bigram
假设句子中,每个word只和之前的一个word有关系
$P(w_1,w_2,w_3..,w_n) = \prod_{i=2}^{n}P(w_i|w_{i-1})$

Trigram
假设句子中,每个word和前两个word有关系
$P(w_1,w_2,w_3..,w_n) = \prod_{i=1}^{n}P(w_i|w_{i-1},w_{i-2})$

上面的模型都基于很强的假设,而实际上,句子中的每个word,是和整个句子有关系的,不仅仅只是考虑前一个或前两个

Continuous Bags of Words Model (CBOW)

这个模型是上面几种模型的扩展.CBOW不是简单的只考虑前一个词或前两个词,它是考虑了单词的上下文(context).在CBOW,我们的目标是$max P(w|context(w))$.

首先,模型的输入(context)是one-hot’s ,模型的输出(w)是one-hot,$one\_hot\in R^{|V|}$,这个是已知的.我们要创建两个矩阵$E=Matrix(embedding)\in R^{|V|* {embedding\_size}}$ , $P=Matrix(projection)\in R^{{embedding\_size}* |V|}$, 这两个矩阵是需要训练的.$|V|$是字典的大小,$embedding\_size$是任意值(代表你想把onehot压缩成几维表示).

$$context = \begin{matrix} 0 & 0 & 0 &\cdots & 1 & 0 \\ 1 & 0 & 0 &\cdots & 0 & 0 \\ \vdots \\ 0 & 0 & 1 &\cdots & 0 & 0 \\ 0 & 0 & 0 &\cdots & 0 & 1 \end{matrix} \in R^{|context(w)|* |V|}$$
$$Embed = \begin{matrix} 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ \vdots \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \end{matrix} \in R^{|V|* embedding\_size}$$

$$Proj = \begin{matrix} 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ \vdots \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \\ 0.1 & 0.3 & 0.2 &\cdots & 0.1 & 0.3 \\ 0.1 & 0.1 & 0.0 &\cdots & 0.6 & 0.5 \end{matrix} \in R^{embedding\_size*|V|}$$
模型运作步骤:
(1) 生成 context的 one-hot矩阵
(2) 计算出 context的 embedding matrix, $context * E \in R^{context(w)* |V|}$
(3) 将获取的 matrix平均, $\hat v=reduce_mean(context*E, 1)$
(4) 生成评分向量 $z=reduce\_mean(context*E,1)* P \in R^{|V|}$
(5) 将评分向量转成概率分布 $\hat y = softmax(z)$
$\hat y$ 的分布和实际分布 $y$越相近,则模型学习的越好, 如何描述两个分布的相似性呢?借用信息论中的交叉熵$H(\hat y,y)=-\sum_{i=1}^{|V|}y_ilog(\hat y_i)$作为目标函数, 然后使用梯度下降来更新参数.
$$\begin{aligned} minimize\space J &= -logP(w_c|w_{c-m},w_{c-m+1},...,w_{c-1},w_{c+1},...,w_{c+m})\\ &= -logP(proj_c|\hat v)\\ &= -log\frac{exp(proj_c\hat v^T)}{\sum_{i=1}^{|V|}proj_i\hat v^T} \end{aligned}$$
m:窗口大小

skip-gram Model

skip-gram model和CBOW结构相反, CBOW输入上下文, 输出中间的word.skip-gram输入中间的word,输出上下文.

需要学习的依旧是两个矩阵, $Embed\in R^{|V|* embedding\_size}$和$Proj\in R^{embedding\_size* |V|}$

$$\begin{aligned} minimize\space J&=-logP(w_{c-m},w_{c-m+1},...,w_{c-1},w_{c+1},...,w_{c+m}|w_c)\\ &= -log \prod_{i=c-m,i \neq c}^{c+m}P(w_i|w_c)\\ &= -log\prod_{i=c-m,i \neq c}^{c+m}P(proj_i|embed_c) \end{aligned}$$

Negtive Sampling

看公式$\sum_{i=1}^{|V|}proj_i\hat v^T$,如果$|V|$很大,那么运算量是相当大的,为了减少运算量,就提出了Negtive Sampling.
Negtive Sampling基于skip-gram model.
考虑一个(w,c)对,其中w是中心单词,c为w上下文中的一个单词,$P(D=1|w,c,\theta)$表示c是w上下文中单词的概率,$P(D=0|w,c,\theta)$表示c不是w上下文中单词的概率.我们先对$P(D=1|w,c,\theta)$进行建模:

$$P(D=1|w,c,\theta)=\frac{1}{1+exp(-(proj_c)(embed_w^T))} \space\space embed_w\in R^{embedding\_size}$$
相比 CBOW和 skip-gram, Negtive Sampling思想是,如果 c是 w的上下文中的单词,就最大 $P(D=1|w,c,\theta)$,如果不是,就最大化 $P(D=0|w,c,\theta)$, $\theta$就是 $Embed, Proj$
$$\begin{aligned} \theta &= argmax_{\theta} \prod_{(w,c)\in D}P(D=1|w,c,\theta)\prod_{(w,c)\notin D}P(D=0|w,c,\theta) \\ &= argmax_{\theta} \sum_{(w,c)\in D}logP(D=1|w,c,\theta)+\sum_{(w,c)\notin D}log(1-P(D=0|w,c,\theta)) \\ &= argmax_{\theta}\sum_{(w,c)\in D}log\frac{1}{1+exp(-(proj_c)(embed_w^T))}+\sum_{(w,c)\notin D}log(1-\frac{1}{1+exp(-(proj_c)(embed_w^T)))}\\ \end{aligned}$$
这样运算量就被减小了.
x训练之后,对 $Embed$和 $Proj$有多种处理方式:
(1) 求和
(2)平均
(3)连接起来
问题:
(1): Negtive Sampling只考虑了上下文关系,没有考虑单词之间的顺序关系,如果考虑进去的话,效果会不会更好?
(2): word2vec,优化的都是 proj_c和 embed_w的距离,让这两个向量尽量的近,这个代表了什么?
(3):对于 $Embed$,感觉更新的频率不够