Lecture 1: Introduction and Word Vectors
目录**
- 语言学到自然语言处理简要介绍
- 人类语言和单词含义
- 词向量
- Word2vec语言模型的简要介绍
- 优化简介:梯度下降
课程目标
- 理解目前深度学习处理方法(包括NLP主流模型和方法)
- 了解NLP中的处理问题
- NLP中主流问题的建模和处理能力(in Pytorch)
1. The course
人类比猩猩更加聪明,是因为人们可以通过语言进行交互,对语言的理解和思考,展现了人类语言的复杂和高效。
每个人对于语言都可以有自己的理解,因此语言不光具有信息传递的功能,还可以通过语言来影响其他人。
当今社会,网络速度不断更新迭代,5G已经油然而生,相对于人类语言,我们使用NLP技术可以高速学习构建更强大的处理能力。
NLP就是对各种文本内容进行处理。
2. Human language and word meaning
How do we represent the meaning of a word?
定义meaning:
-
用单词、词组表示概念
-
人们运用单词、符号表示自己的观点
-
通过写作作品、艺术来表达观
-
理解含义最普遍的语言方式(denotational semantics用语言符号对语义进行转化):
signifier(symbol)⇔signified(idea or thing)
How do we have usable meaning in a computer?
通常的解决方案:Wordnet(包含同义词集和上位词的一个巨大词典)
|上位词:用 “is a”来表示关系的词集列表
Problems with resources like WordNet
Wordnet的劣势:
- 是很好的资源但忽略了细微的一些差别:例如词典中‘proficient’与‘good’认为是同义词,但是这只在某些文本上下文中成立。
- 忽略了一些单词的含义(即含义不完整)
- 偏主观(缺少客观性)
- 需要人类来不断地更新和改写
- 无法计算单词之间的相似度
Representing words as discrete symbols
传统NLP中,我们将单词看作是离散的表示,通过one-hot vector来表示。
为什么不采用 one-hot向量
我们在循环神经网络中了解过one-hot向量来表示词,假设词典中不同词的数量为N,每个词可以从0到N-1的连续整数一一对应。假设一个词的相应整数表示为i,为了得到该词的one-hot向量表示,我们创建一个全为0的长为N的向量,并将第i位设为1。然而,使用one-hot词向量并不是一个好选择,一个主要原因是,one-hot词向量无法表示不同词之间的相似度,任何一对词的one-hot向量的余弦相似度都为0.
Representing words by their context
Distributional semantics:一个单词的含义通常由在它附近经常出现的单词给出的。
-
对于文本中的一个单词w,它的上下文就是出现在它附近的一组单词(在一个划定好size的窗口下)
-
通过许多包含w的文本中的上下文来构建w的含义表示:
3. Word2vec introduction
Word vectors
word2vec工具主要包含两个模型:跳字模型和连续词袋模型,以及两种高效训练的方法:负采样和层序softmax。值得一提的是,word2vec词向量可以较好地表达不同词之间的相似和类比关系。
Skip-gram和CBOW
Skip-gram:如果是用一个词语作为输入,来预测它周围的上下文,那这个模型就叫
CBOW:如果是拿一个词语的上下文作为输入,来预测这个词语本身,则叫
理解word2vec寻找相似次
对于一句话:他们夸吴彦祖帅到没朋友。如果x输入是吴彦祖,那么y可能是他们,夸,帅,没朋友这些词。
我们将为每个单词构建一个稠密的向量,使得它能够与相似文本里的词向量相近,word meaning 作为一种神经词向量,在我们对向量空间进行可视化:
注:word vector 有时也叫做 word embedding 或者 word representations,他们都是一种表示结构。
Word2vec:Overview
Word2vec(Mikolov et al. 2013) 是一种学习词向量的框架
-
包含大量的文本语料
-
固定词表中的每一个单词由一个词向量表示
-
文本中的每个单词位置 t,有一个中心词c,和它的上下文 o(除了 c 的外部单词)。
-
通过 c 和 o 的词向量相似性来计算 P(o/c)
-
不断的调整词向量,最大化概率
固定窗口,滑动窗口并计算:
Word2vec的目标函数:
对于每个位置 t = 1,…,T,固定窗口大小m,给定中心词wj:
l i k e l i h o o d = L ( θ ) = ∏ t = 1 T ∏ − m ≤ j ≤ m j ≠ 0 p ( w t + j ∣ w t ; θ ) likelihood=L(\theta)=\prod_{t=1}^{T}\prod_{-m \le j \le m\\ \ \ \ \ j\ne0}^{}p(w_{t+j}|w_t;\theta) likelihood=L(θ)=t=1∏T−m≤j≤m j=0∏p(wt+j∣wt;θ)
注:$ \theta $ 是需要优化的参数
J
(
θ
)
=
−
1
T
l
o
g
L
(
θ
)
=
−
1
T
∑
t
=
1
T
∑
−
m
≤
j
≤
m
j
≠
0
l
o
g
P
(
w
t
+
j
∣
w
t
;
θ
)
J(\theta)=-\frac 1TlogL(\theta)=-\frac1T\sum_{t=1}^T\sum_{-m\le j\le m \\ \ \ \ \ j\ne 0}logP(w_{t+j}|w_t;\theta)
J(θ)=−T1logL(θ)=−T1t=1∑T−m≤j≤m j=0∑logP(wt+j∣wt;θ)
注:
- J ( θ ) J(\theta) J(θ)为损失函数(这里是平均负对数似然);
- 负号将极大化损失函数转化为极小化损失函数;
- log函数方便将乘法转化为求和(优化处理)
- MLE详解
如何计算?
-
问:如何计算 P ( w t + j ∣ w t ; θ ) P(w_{t+j}|w_t;\theta) P(wt+j∣wt;θ)?
-
答:对于每个单词 w 我们使用两个向量 v w v_w vw 和 u w u_w uw
v w v_w vw :当 w 是中心词时
u w u_w uw :当 w 是上下文单词时
-
对于中心词 c 和上下文单词 o,有:
P ( o ∣ c ) = e x p ( u o T v c ) ∑ w ϵ V e x p ( u w T v c ) P(o|c)=\frac {exp(u_o^Tv_c)}{\sum_{w\epsilon V}exp(u_w^Tv_c)} P(o∣c)=∑wϵVexp(uwTvc)exp(uoTvc)
在概率函数中:
P
(
o
∣
c
)
=
e
x
p
(
u
o
T
v
c
)
∑
w
ϵ
V
e
x
p
(
u
w
T
v
c
)
P(o|c)=\frac {exp(u_o^Tv_c)}{\sum_{w\epsilon V}exp(u_w^Tv_c)}
P(o∣c)=∑wϵVexp(uwTvc)exp(uoTvc)
- 分子取幂函数使得始终可以为正
- 向量 u o u_o uo 和向量 v c v_c vc 点乘,点乘结果越大,向量之间越相似
- u T v = u ⋅ v = ∑ i = 1 n u i v i u^Tv=u·v=\sum_{i=1}^nu_iv_i uTv=u⋅v=∑i=1nuivi
- 对整个词表标准化,给出概率分布
softmax函数进行归一化(深度学习中常用):
R
n
→
R
n
\Bbb{R^n}\to \Bbb{R^n}
Rn→Rn
s
o
f
t
m
a
x
(
x
)
=
e
x
p
(
x
i
)
∑
j
=
1
n
e
x
p
(
x
j
)
=
p
i
softmax(x)= \frac {exp(x_i)}{\sum_{j=1}^nexp(x_j)}=p_i
softmax(x)=∑j=1nexp(xj)exp(xi)=pi
注:用于将任意值
x
i
x_i
xi 映射到概率分布
p
i
p_i
pi
4. Word2vec objective function gradients
Training a model by optimizing parameters
(通过优化参数的方式训练模型)- 最小化损失
To train the model: Compute all vector gradients
整个模型里只有一个参数 θ \theta θ ,所以我们只用优化这一个参数就行。
例如:模型在一个 d 维,词典大小为 V :
θ
=
[
v
a
a
r
d
v
a
r
k
v
a
⋮
v
z
e
b
r
a
u
a
a
r
d
v
a
r
k
u
a
⋮
u
z
e
b
r
a
]
ϵ
R
2
d
V
\theta=\begin{bmatrix}v_{aardvark}\\v_a\\\vdots\\v_{zebra}\\u_{aardvark}\\u_a\\\vdots\\u_{zebra} \end{bmatrix}\epsilon\ \Bbb R^{2dV}
θ=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡vaardvarkva⋮vzebrauaardvarkua⋮uzebra⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤ϵ R2dV
- 2:每个单词有两个向量
- 通过梯度(导数)下降的方式优化参数
- 梯度下降会用到链式法则
- 迭代计算每个中心词向量和上下文词向量随着滑动窗口移动的梯度
- 依次迭代更新窗口中所有的参数
5. Optimization basics
Optimization:Gradient Descent(梯度下降)
-
我们的损失函数 J ( θ ) J(\theta) J(θ) 需要最小化
-
使用的方法为:梯度下降
-
对于当前 θ \theta θ ,计算 J ( θ ) J(\theta) J(θ) 的梯度
-
然后小步重复朝着负梯度方向更新方程里的参数 α = ( s t e p s i z e ) o r ( l e a r n i n g r a t e ) \alpha=(step\ size)\ or\ (learning\ rate) α=(step size) or (learning rate)
θ n e w = θ o l d − α ∇ θ J ( θ ) \theta^{new}=\theta^{old}-\alpha \nabla_\theta J(\theta) θnew=θold−α∇θJ(θ) -
更新唯一的参数 θ \theta θ:
θ j n e w = θ j o l d − α α α θ j o l d J ( θ ) \theta_j^{new}=\theta_j^{old}-\alpha \frac \alpha{\alpha\ \theta_j^{old}}J(\theta) θjnew=θjold−αα θjoldαJ(θ)
while True:
theta_grad = evaluate_gradient(J,corpus,theta)
theta = theta - alpha * theta_grad
SGD:Stochastic Gradient Descent
-
由于 J ( θ ) J(\theta) J(θ) 是在语料文本中所有窗口的方程
-
当语料很大的时候,计算梯度会消耗巨大
-
解决办法:SGD
-
不断sample窗口,不断更新
while True: window = sample_window(corpus) theta_grad = evaluate_gradient(J,window,theta) theta = tehta - alpha * theta_grad