Word2Vec解读

Word2Vec: 一种词向量的训练方法

简单地讲，Word2Vec是建模了一个单词预测的任务，通过这个任务来学习词向量。假设有这样一句话Pineapples are spiked and yellow，现在假设spiked这个单词被删掉了，现在要预测这个位置原本的单词是什么。

Word2Vec本身就是在建模这个单词预测任务，当这个单词预测任务训练完成之后，那每个单词对应的词向量也就训练好了。

1. Word2Vec概述

在正式介绍之前，我们先来科普一下Word2Vec，Word2vec是2013年被Mikolov提出来的词向量训练算法，在论文中作者提到了两种word2vec的具体实现方式：连续词袋模型CBOW和Skip-gram，如图1所示。
在这里插入图片描述

图1 CBOW和Skip-gram的对比

图1中使用了这句话作为例子：Pineapples are spiked and yellow，在这句话中假设中心词是spiked，这个单词的上下文是其他单词:Pineapples are and yellow。

连续词袋模型CBOW的建模方式是使用上下文单词来预测spiked这个单词，当然图片上展示的是spikey，相当于是预测错了。Skip-gram正好反过来，它是通过中心词来预测上下文。

一般来说，CBOW比Skip-garm训练快且更加稳定一些，然而，Skip-garm不会刻意地回避生僻词（即出现频率比较低的词），比CBOW能够更好地处理生僻词。在本节呢，我们将以Skip-garm的方式讨论词向量的训练过程。

2. Skip-gram训练词向量原理

前边我们说到，Skip-gram是通过中心词来预测上下文。我们还是以Pineapples are spiked and yellow为例进行讲解，如图2所示，中心词是spiked，上下文是Pineapples are and yellow，在Skip-gram中，上下文是我们要预测的词，因此这些词也叫目标词。

在这里插入图片描述

图2 Skip-gram原理图

Skip-garm具体是怎么工作的，首先skip-gram是使用中心词来预测上下文，即利用spiked这个单词来预测 pineapples are and yellow这4个单词，但是训练过程中，这个预测结果很有可能并不是这4个单词，但是没关系，我们会使用这4个单词和预测的单词进行计算损失，通过损失的方式将正确的这4个单词的信息，使用梯度信息反向传播中心词spiked，这样在spiked单词在下次预测的时候，就会更准确一点。

总结一下，在训练过程中通过梯度的方式，将上下文单词的语义传入到了中心词的表示中，即使用了spiked的上下文来训练了spiked的词向量。但是我们来看spiked，和prickly这两个单词，他们的意思都是有刺，多刺的意思，那么真实的文本语料中，他们的上下文大概率也是差不多的，这样通过差不多的上下文去训练这个中心词，那么自然具有相同语义的词的词向量距离会比较近。

3. Skip-gram网络结构

前边我们提到，Word2Vec是建模了一个单词预测的任务，通过这个任务来学习词向量。同时呢，Skip-gram是一种以中心词预测上下文的方式进行的，那我们来看看它的网络结构长什么样子，如图3所示。

在这里插入图片描述

图3 Skip-gram网络结构

Skip-gram的网络结构共包含三层：输入层，隐藏层和输出层。它的处理步骤是这样的：

输入层接收shape为 $[1, V]$ 的one-hot向量 $x$ ，其中 $V$ 代表词表中单词的数量，这个one-hot向量就是上边提到的中心词。
隐藏层包含一个shape为 $[V, N]$ 的参数矩阵 $W_1$ ，其中这个 $N$ 代表词向量的维度， $W_1$ 就是word embedding 矩阵，即我们要学习的词向量。将输入的one-hot向量 $x$ 与 $W_1$ 相乘，便可得到一个shape为 $[1, N]$ 的向量，即该输入单词对应的词向量 $e$ 。
输出层包含一个shape为 $[N, V]$ 的参数矩阵 $W_2$ ，将隐藏层输出的 $e$ 与 $W_2$ 相乘，便可以得到shape为 $[1, V]$ 的向量 $r$ ，内部的数值分别代表每个候选词的打分，使用softmax函数，对这些打分进行归一化，即得到中心词的预测各个单词的概率。

这是一种比较理想的实现方式，但是这里有两个问题：

这个输入向量是个one-hot编码的方式，只有一个元素为1，其他全是0，是个极其稀疏的向量，假设它第2个位置为1，它和word embedding相乘，便可获得word embedding矩阵的第二行的数据。那么我们知道这个规律，直接通过访存的方式直接获取就可以了，不需要进行矩阵相乘。
在获取了输入单词对应的词向量 $e$ 后，它是一个 $[1, N]$ 向量。接下来，会使用这个向量和另外一个大的矩阵 $W_2$ 进行相乘，最终会获得一个1*V的向量，然后对这个向量进行softmax，可以看到这个向量具有词表的长度，对这么长的向量进行softmax本身也是一个极其消耗资源的事情。

第1个问题解决起来比较简单，我们主要来看第2个问题，那怎么解决呢？直观的想法是我们不要去生成这么多的类别，所以采用了一个负采样的策略，将海量分类转化成了二分类，来缓解这个问题，下我们来看看它具体是怎么做的。

4. 负采样解决大规模分类问题

在这里插入图片描述

图4 使用负采样策略训练Skip-gram模型

还是以Pineapples are spiked and yellow为例进行讲解，如图4所示，其中中心词是spiked和上下文词是正样本Pineapples are and yellow，这里这个正样本代表该词是中心词的上下文。

以正样本单词Pineapples为例，之前的做法是在使用softmax学习时，需要最大化Pineapples的推理概率，同时最小化其他词表中词的推理概率。之所以计算缓慢，是因为需要对词表中的所有词都计算一遍。然而我们还可以使用另一种方法，就是随机从词表中选择几个代表词，通过最小化这几个代表词的概率，去近似最小化整体的预测概率。

例如，先指定一个中心词（spiked）和一个目标词正样本（Pineapples），再随机在词表中采样几个目标词负样本（如”dog，house”等）。

有了这些正负样本，我们的skip-gram模型就变成了一个二分类任务。对于目标词正样本，我们需要最大化它的预测概率；对于目标词负样本，我们需要最小化它的预测概率。通过这种方式，我们就可以完成计算加速。这个做法就是负采样。

再回到图4看一看整体的训练流程是怎么样的。图7中相当于有两个词向量矩阵：黄色的和灰色的，他们的shape都是一样的。整体的流程大概是这样的。