Stanford NLP lec 2: word vectors and word senses_stanfordnlp支持word2vec-CSDN博客

本文链接：https://blog.csdn.net/weixin_41332009/article/details/112133265

总共有六个词(行)，每个词用d=5维的向量来表示。每个词都有两个向量表示：u和v。

例如，对于第4个词，当它作为中心词时，其周围词的概率为 $U·v_4^T$ ,做softmax归一之后便成了概率，这个概率应该越接近实际情况越好。

SGD：只对一个样本进行梯度下降

小批量梯度下降更加常用。

没有SGD那么noisy，因为对整个minibatch求了平均
并行计算，速度提升。

如果用SGD的方法，每次只会更新2m+1个单词的词向量。这样，更新的梯度是非常稀疏的。

只需要记下来需要改变的词向量如何改变即可，不要传一个巨大的、稀疏的矩阵。

回忆：之前我们用朴素的softmax来衡量每个context word出现的概率，分母是vocab中所有词语的概率总和。这显然需要太长的时间来计算！所以，实际上我们使用negative sampling的方法。

$J_t(\theta)$ 的第一项是中心词c的周围出现了context word o的概率，需最大化之。
第二项中的j就是随机取的一个随便的单词，需最小化其概率。但是由于取了负号，就变成了最大化之。

k就是随机取的随便的词语。

unigram distribution: 只针对每个单词来统计。P(w)就是每个词语随机被取到的概率（Z就是归一化项，是所有的 $U(w)^{3/4}$ 的总和）。

这节课没有提到的一个和negative sampling 并列的方法是hierarchical softmax。

在训练word2vec模型的时候，用到了两个tricks，一个是negative sampling，每次只采少量的负样本，不需要计算全部的V；另外一个是hierarchical softmax，通过构建赫夫曼tree来做层级softmax，从复杂度O(V)降低到O(log2V).

hierarchical softmax 主要应用于CBOW模型（从context word 预测 center word）

首先对所有在Vocab中的词，根据词频来构建赫夫曼tree：词频越大，路径越短，编码信息更少。tree中的所有的叶子节点构成了词V，中间节点则共有V-1个，上面的每个叶子节点存在唯一的从根到该节点的path，如上图所示。例如词w2的path为：n(w2,1)->n(w2,2)->n(w2,3)->w2

假设我们需要计算w2的输出概率，我们定义从根节点开始，每次经过中间节点，做一个二分类任务（左边或者右边），所以我们定义中间节点的n左边概率为

其中vn′是中间节点的向量，那么右边概率

这样，我们就得到了w1,w2...wV这每个词语的作为中间词概率，这些概率之和为1.这样就已经达成了求概率的目的。

LSA：见https://blog.csdn.net/weixin_41332009/article/details/111470786

在2013年之前，人们用LSA（潜在语义分析）来做词向量。

term-term matrix: 词和词的共现
term-doc matrix：词和文档共现，可以判断文档的相似度

=======================================================================

一个暴力的方法：对每个词语进行聚类，每个聚类都是一个多义词的意思。

一个很自然的想法：对每一个多义词的义项，都有一个词向量；每个多义词义项出现的频率也是不一样的，那么就对这些义项的词向量按频率进行加权平均。

一个担心就是，平均之后会不会这些义项就不可分了、丢失了？比如我说，“我想到了两个数，它们的和是42.” 但是你并不能够知道我想到的这两个数究竟是什么。

但惊讶的是，在这个情形下并不会出现这种情况，由于sparse coding，你还是能够区分出不同的义项。

有两种方法来衡量word2vec方法的好坏：

intrinsic evaluation：直接看word2vec值相似的两个词，究竟是否相近？或者，类似“man之于king相当于woman之于？”的问题，看word2vec能否很好的回答。这需要和人工标记的结果做对比。
extrinsic evaluation：看word2vec下游任务（如NER）完成的好坏。