【NLP】深入理解word2vec

?深度學(xué)習(xí)

Author：louwill

From：深度學(xué)習(xí)筆記

語言模型是自然語言處理的核心概念之一。word2vec是一種基于神經(jīng)網(wǎng)絡(luò)的語言模型，也是一種詞匯表征方法。word2vec包括兩種結(jié)構(gòu)：skip-gram（跳字模型）和CBOW（連續(xù)詞袋模型），但本質(zhì)上都是一種詞匯降維的操作。

word2vec

?我們將NLP的語言模型看作是一個(gè)監(jiān)督學(xué)習(xí)問題：即給定上下文詞，輸出中間詞，或者給定中間詞，輸出上下文詞?；谳斎牒洼敵鲋g的映射便是語言模型。這樣的一個(gè)語言模型的目的便是檢查和放在一起是否符合自然語言法則，更通俗一點(diǎn)說就是和擱一起是不是人話。

所以，基于監(jiān)督學(xué)習(xí)的思想，本文的主角——word2vec便是一種基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的自然語言模型。word2vec是谷歌于2013年提出的一種NLP分析工具，其特點(diǎn)就是將詞匯進(jìn)行向量化，這樣我們就可以定量的分析和挖掘詞匯之間的聯(lián)系。因而word2vec也是我們上一講講到的詞嵌入表征的一種，只不過這種向量化表征需要經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到。

word2vec訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到一個(gè)關(guān)于輸入和輸出之間的語言模型，我們的關(guān)注重點(diǎn)并不是說要把這個(gè)模型訓(xùn)練的有多好，而是要獲取訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)重，這個(gè)權(quán)重就是我們要拿來對(duì)輸入詞匯的向量化表示。一旦我們拿到了訓(xùn)練語料所有詞匯的詞向量，接下來開展 NLP 研究工作就相對(duì)容易一些了。

word2vec包括兩種模型。一種是給定上下文詞，需要我們來預(yù)測(cè)中間目標(biāo)詞，這種模型叫做連續(xù)詞袋模型（Continuous Bag-of-Words Model，以下簡(jiǎn)稱CBOW），另一種是給定一個(gè)詞語，我們根據(jù)這個(gè)詞來預(yù)測(cè)它的上下文，這種模型叫做skip-gram模型，也有種翻譯稱之為“跳字”模型。

CBOW模型的應(yīng)用場(chǎng)景是要根據(jù)上下文預(yù)測(cè)中間詞，所以我們的輸入便是上下文詞，當(dāng)然原始的單詞是無法作為輸入的，這里的輸入仍然是每個(gè)詞匯的one-hot向量，輸出為給定詞匯表中每個(gè)詞作為目標(biāo)詞的概率。CBOW模型的結(jié)構(gòu)如圖1所示。

圖1 CBOW模型

Skip-gram模型的應(yīng)用場(chǎng)景是要根據(jù)中間詞預(yù)測(cè)上下文詞，所以我們的輸入是任意單詞，輸出為給定詞匯表中每個(gè)詞作為上下文詞的概率。Skip-gram模型的結(jié)構(gòu)如圖2所示。

圖2 skip-gram模型

從CBOW和skip-gram模型的結(jié)構(gòu)圖可以看到，二者除了在輸入輸出上有所不同外，基本上沒有太大區(qū)別。將CBOW的輸入層換成輸出層基本上就變成了 skip-gram 模型，二者可以理解為一種互為翻轉(zhuǎn)的關(guān)系。

從監(jiān)督學(xué)習(xí)的角度來說，word2vec本質(zhì)上是一個(gè)基于神經(jīng)網(wǎng)絡(luò)的多分類問題，當(dāng)輸出詞語非常多時(shí)，我們則需要一些像Hierarchical Softmax（分層Softmax）和Negative Sampling（負(fù)采樣）之類的技巧來加速訓(xùn)練。但從自然語言處理的角度來說，word2vec關(guān)注的并不是神經(jīng)網(wǎng)絡(luò)模型本身，而是訓(xùn)練之后得到的詞匯的向量化表征。這種表征使得最后的詞向量維度要遠(yuǎn)遠(yuǎn)小于詞匯表大小，所以word2vec從本質(zhì)上來講是一種降維操作。我們把數(shù)以萬計(jì)的詞匯從高維空間中降維到低維空間中，對(duì)NLP的下游任務(wù)大有裨益。?

word2vec的訓(xùn)練過程：以CBOW為例

因?yàn)閟kip-gram和CBOW的相似性，本小節(jié)僅以CBOW模型為例說明word2vec是如何訓(xùn)練得到詞向量的。圖3標(biāo)出了CBOW模型要訓(xùn)練的參數(shù)，很明顯我們要訓(xùn)練得到輸入層到隱藏層的權(quán)重以及隱藏層到輸出層的權(quán)重。

圖3 CBOW的訓(xùn)練權(quán)重

CBOW模型訓(xùn)練的基本步驟包括：

1. 將上下文詞進(jìn)行one-hot表征作為模型的輸入，其中詞匯表的維度為，上下文單詞數(shù)量為；
2. 然后將所有上下文詞匯的one-hot向量分別乘以共享的輸入權(quán)重矩陣；
3. 將上一步得到的各個(gè)向量相加取平均作為隱藏層向量；
4. 將隱藏層向量乘以共享的輸出權(quán)重矩陣；
5. 將計(jì)算得到的向量做softmax激活處理得到維的概率分布，取概率最大的索引作為預(yù)測(cè)的目標(biāo)詞。

下面以具體例子來說明。假設(shè)語料為I learn NLP everyday, 以I learn everyday作為上下文詞，以NLP作為目標(biāo)詞。將上下文詞和目標(biāo)詞都進(jìn)行one-hot表征作為輸入，如圖4所示。

圖4 CBOW訓(xùn)練過程1：輸入one-hot表征

然后將one-hot表征分別乘以輸入層權(quán)重矩陣，這個(gè)矩陣也叫嵌入矩陣，可以隨機(jī)初始化生成。如圖5所示。

圖5 CBOW訓(xùn)練過程2：one-hot輸入乘以嵌入矩陣

然后將得到的向量結(jié)果相加求平均作為隱藏層向量，如圖6所示。

圖6 CBOW訓(xùn)練過程3：求平均

然后將隱藏層向量乘以輸出層權(quán)重矩陣，這個(gè)矩陣也是嵌入矩陣，可以初始化得到。得到輸出向量，如圖7所示。

圖7 CBOW訓(xùn)練過程4：隱層向量乘以嵌入矩陣

最后對(duì)輸出向量做Softmax激活處理得到實(shí)際輸出，并將其與真實(shí)標(biāo)簽做比較，然后基于損失函數(shù)做梯度優(yōu)化訓(xùn)練。

圖8 CBOW訓(xùn)練過程5：Softmax激活輸出

以上便是完整的CBOW模型計(jì)算過程，也是word2vec將詞匯訓(xùn)練為詞向量的基本方法之一。無論是Skip-gram模型還是CBOW模型，word2vec一般而言都能提供較高質(zhì)量的詞向量表達(dá)，圖9是以50000個(gè)單詞訓(xùn)練得到的128維的skip-gram詞向量壓縮到2維空間中的可視化展示。

圖9 word2vec的可視化效果

可以看到，意思相近的詞基本上被聚到了一起，也證明了word2vec是一種可靠的詞向量表征方式。

往期精彩回顧




適合初學(xué)者入門人工智能的路線及資料下載
機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
機(jī)器學(xué)習(xí)在線手冊(cè)
深度學(xué)習(xí)筆記專輯
《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯
AI基礎(chǔ)下載
機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯