如何理解word2vec中的NCE

以下是自己的一些想法和提问，不一定正确，还望大家指正，感恩！

word2vec为什么使用NCE？

使用NCE来替代softmax， 是因为softmax在类别很多很多的时候计算量大（计算每个类的得分的时候都需要对所有类求和来做分母），word2vec最后需要输出词表大小的类别，数量很大。NCE相当于将多类别分类变成多个二类分类，正类是输入词的上下文中的某个词，负类是不属于上下文的某些词。

什么是NCE？

可以参考博客 https://blog.csdn.net/littlely_ll/article/details/79252064

简单理解是使用logistic regression区分正类和负类。

word2vec中使用nce loss的代码：

# Look up embeddings for inputs.
embeddings = tf.Variable(
    tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
embed = tf.nn.embedding_lookup(embeddings, train_inputs)

# Construct the variables for the NCE loss
nce_weights = tf.Variable(
    tf.truncated_normal([vocabulary_size, embedding_size],
                        stddev=1.0 / math.sqrt(embedding_size)))
nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

# Compute the average NCE loss for the batch.
# tf.nce_loss automatically draws a new sample of the negative labels each
# time we evaluate the loss.
loss = tf.reduce_mean(
    tf.nn.nce_loss(weights=nce_weights,
                   biases=nce_biases,
                   labels=train_labels,
                   inputs=embed,
                   num_sampled=num_sampled,
                   num_classes=vocabulary_size))

nce_weights, nce_biases是否就相当于之前提到的logistic regression所需要的参数，这些参数在训练过程中会更新

而embedding相当与从输入层到隐藏层中间的参数，backpropagation后也会更新这些参数，也就是相当于词向量表得到更新。