【NLP】word2vec哈夫曼编码/层次softmax

一、回顾word2vec的训练流程：

1.初始化一个embedding权重矩阵W1（N*D）→

2.根据输入单词直接挑出W1矩阵中对应的行向量→

3.相加并求平均得一个向量（1*D）→

4.和W2矩阵（D*N）相乘得最终预测置信度（1*N）→

5.经过softmax得概率（1*N）（注：N为词典大小，D为词向量维度）。

二、为什么要进行哈夫曼编码/层次softmax？

优化【word2vec的训练流程】的第4、5步的计算效率。由于softmax计算分母要求和，在上文第4步时，每预测一个单词，都要进行一次计算，可以看出计算量和词典大小有关（W2矩阵为D“*N）。那我不用softmax函数（虽然叫层次softmax，但并没有用到softmax函数）不就得了；

第二个优化就是减少W2权重矩阵的个数。

三、如何进行哈夫曼编码/层次softmax？

1. 先构造一棵哈夫曼树，这棵树在词典确定好之后就可以构建了：把词频作为权重去构造哈夫曼二叉树，导致权重大的，即经常出现的词更靠近根节点（具体构造方法网上有很多资料）。构造好之后，叶节点涵盖了词典内所有的词，而每个非叶节点上的词频权重可以扔掉了，这些节点在下一步会被赋予新的需要计算的权重，每个节点上的权重形状为D*1。

2. 在【word2vec的训练流程】的第4步，W2不再是一个D*N的矩阵，而是D维度不变，N维度对应哈夫曼树从根节点到预测叶节点走过的节点数，比如我预测一个深